Documentos de Académico
Documentos de Profesional
Documentos de Cultura
JOrtega PDF
JOrtega PDF
Notas de curso
Joaqun Ortega Sanchez
18 de mayo de 2009
2
Indice general
1. Espacios de Probabilidad 7
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Espacio Muestral. Eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. Espacios de Probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4. Algunas Consecuencias de la Definicion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5. Ejemplos y Aplicaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1. Probabilidades en Espacios Finitos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.2. Probabilidades en Espacios Numerables. . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3. Otros Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6. La Paradoja de Bertrand. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7. Comentarios y Algo de Historia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2. Teora Combinatoria 31
2.1. Dos Principios Basicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2. N umero de subconjuntos de un conjunto finito. . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3. Variaciones con Repeticion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4. Variaciones sin Repeticion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5. Permutaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6. Combinaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6.1. Propiedades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.7. El Triangulo de Pascal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.8. El Binomio de Newton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.9. Coeficientes Multinomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.10. Problemas Resueltos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.11. Aplicaciones a Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.11.1. Muestreo con Reposicion. La Distribucion Binomial. . . . . . . . . . . . . . . . . . . . 49
2.11.2. Muestreo sin Reposicion. La Distribucion Hipergeometrica. . . . . . . . . . . . . . . . 50
2.12. Problemas Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.13. Resumen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.14. Comentarios y Algo de Historia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 INDICE GENERAL
4. Variables Aleatorias 93
4.1. Introduccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2. Operaciones con Variables Aleatorias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3. Funcion de Distribucion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4. Variables Aleatorias Discretas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.4.1. La Distribucion de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4.2. La Distribucion Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4.3. La Distribucion Binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4.4. La Distribucion de Poisson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.4.5. La Distribucion Hipergeometrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.4.6. La Distribucion Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.4.7. La Distribucion Binomial Negativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.5. Variables Aleatorias Continuas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.6. Densidades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.6.1. La Distribucion Uniforme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.6.2. La Distribucion Triangular. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.6.3. La Distribucion Exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.6.4. La Distribucion Normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.7. Cambio de Variable. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.8. Simulacion de Variables Aleatorias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.8.1. Variables Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.8.2. Variables Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.8.3. Generacion de Variables Aleatorias en R . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.9. Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Espacios de Probabilidad
1.1. Introducci
on
El objetivo de la Teora de Probabilidad es desarrollar y estudiar modelos matematicos para experimentos
cuyos resultados no pueden predecirse.
FALTA
1.2. Espacio Muestral. Eventos.
Cada resultado posible de un experimento aleatorio sera llamado evento elemental y el conjunto de los
eventos elementales sera el espacio muestral. Usualmente, denotaremos con el espacio muestral, y mediante
los eventos elementales (o puntos de ).
Veamos algunos ejemplos de experimentos aleatorios y sus espacios muestrales asociados.
1. En una fabrica se toma uno de los artculos producidos y se prueba para determinar si es defectuoso.
En este caso podemos considerar = {B, D}, donde B indica bueno y D defectuoso. Si en cambio se
extraen n artculos y se prueban, podemos considerar = {(1 , 2 , . . . , n ) : i = 0 o 1; i = 1, . . . , n}
donde i = 0 indica que el i-esimo artculo es bueno y i = 1 indica que es defectuoso. Es decir, es
n
el conjunto de n-uplas o vectores
Pn de dimension n de ceros y unos. En este caso consta de 2 eventos
elementales y, en particular, i=1 i representa en n umero de objetos defectuosos del evento elemental
(1 , 2 , . . . , n ).
2. En un punto de una carretera contamos el n umero de vehculos que pasan durante un cierto lapso
de tiempo. En este caso podemos tomar = {0, 1, 2, . . . }, es decir el conjunto de los enteros no-
negativos. Podemos, sin embargo, tomar otros conjuntos como espacio muestral en este caso. Por
ejemplo, si sabemos que el n umero de vehculos considerados no supera los mil, podemos considerar
1 = {n : 0 n 1.000}, aunque no necesariamente del hecho de que 1 sea subconjunto de , se
concluye que la descripcion del experimento aleatorio mediante 1 sea mas simple que la que se obtiene
usando .
8 CAPITULO 1. ESPACIOS DE PROBABILIDAD
3. En una sucesion de calculos realizados con una computadora, observamos los primeros k dgitos no
tomados en cuenta al truncar los resultados de las operaciones en una cierta cifra decimal. En este caso
podemos tomar como espacio muestral = {(a1 , . . . , ak ) : ai Z, 0 ai 9}
4. En una fabrica de componentes electronicos se eligen varios de ellos al azar y se conecta cada uno
de ellos hasta que se da
na, observando en cada caso el tiempo de duracion. Si se trata de un solo
componente podemos tomar
= {t : t R, t 0}
es decir, el conjunto de n
umeros reales no-negativos. Si se consideran n componentes, podemos tomar
= {(t1 , t2 , . . . , tn ) : ti R, ti 0}.
5. Se lanza un dado repetidamente y se cuenta el numero de lanzamientos hasta que salga el 6 por primera
vez. En este caso el espacio muestral es el conjunto de los n
umeros naturales:
= {1, 2, 3, . . . }.
7. Se escoge un punto al azar lanzando un dardo a un disco de radio un metro. En este caso el espacio
muestral es el conjunto de puntos del plano que estan dentro de la circunferencia de radio 1:
= {(x, y) : x2 + y 2 1}.
En la practica, al realizar un experimento nos interesa con frecuencia, saber si alg un subconjunto de ha
ocurrido. A estos subconjuntos los llamaremos eventos o sucesos. Por ejemplo, en el caso 1 podemos estar
interesados en el subconjunto: entre los n artculos extrados hay d defectuosos, es decir, en el subconjunto
de definido por
n
X
{(1 , . . . , n ) : i = 0 o 1, i = d}.
1
En el caso 3 nos interesara saber, por ejemplo, si la primera cifra no tomada en cuenta al truncar es mayor
o igual que 5, o sea,
{(a1 , . . . , ak )} : 0 ai 9, a1 5}.
Analogamente, en la situacion planteada en 6, nos interesaran eventos del tipo: la presion esta comprendida
entre p1 y p2 y la temperatura entre t1 y t2 , es decir
{(pi , ti ) : p1 p p2 , t1 t t2 }.
b. A A Ac A donde Ac = A = { : ,
/ A} es el complemento de A.
1.2. ESPACIO MUESTRAL. EVENTOS. 9
Finalmente, la familia A tambien debe satisfacer que si A1 , A2 , . . . , An , . . . son eventos, ocurre alguno
de los An tambien es un evento, o sea
[
c. An A (n = 1, 2, . . . ) An A
n=1
Definicion 1.1 Una familia A de subconjuntos de que satisface las condiciones a, b y c se llama una
-algebra de subconjuntos o partes de .
En adelante supondremos, por lo tanto, que las familias de eventos son -algebras. Las siguientes son con-
secuencias inmediatas de la definicion:
Ejemplos.
9 Muestreo con reposicion. De la produccion de una fabrica se extrae un artculo al azar y se determina
si es bueno o defectuoso (B o D, respectivamente). Se devuelve este artculo al stock y se extrae de
nuevo al azar un artculo, que puede ser el mismo. Esta operacion se repite una vez mas, de modo que
en total se extraen tres.
El espacio muestral es:
Observamos que hay 23 eventos elementales, ya que en cada una de las tres extracciones hay dos
resultados posibles. Consideramos los siguientes eventos:
A1 : El segundo artculo resulto bueno
A2 : Se obtuvo un solo defectuoso en las tres extracciones.
A3 : No hubo defectuosos.
Los eventos definidos son:
defectuoso en la muestra. Podemos ahora combinar estos eventos utilizando operaciones de conjuntos.
Tenemos, por ejemplo,
A1 A2 = {BBD, DBB}
Ac1 Ac2 = {BBB, BDB, BDD, DBD, DDB, DDD}
A1 Ac2 = {BBB, DBD}
10 Muestreo sin reposicion. De una poblacion de N artculos entre los cuales hay n defectuosos, se extraen
sucesivamente r sin reposicion y se cuenta el n umero de los defectuosos en la muestra. El espacio
muestral contiene todos los subconjuntos de r elementos tomados entre los N dados.
Una terna (, A, P ), formada por un espacio muestral , una familia A de eventos y una probabilidad P se
llama un espacio de probabilidad.
El problema de como definir la funcion P , o sea, de como asignar una probabilidad a cada evento, debe
ser resuelto de acuerdo a las condiciones concretas de cada experimento aleatorio en consideracion.
(1) P () = 0.
En efecto, consideremos A1 = y Ai = , i = 2, 3, . . . Entonces Ai A cualquiera que sea i y ademas
si i 6= j se tiene Ai Aj = . Resulta
!
X X
P () = P Ai = P () + P (Ai ).
i=1 i=2
1.4. ALGUNAS CONSECUENCIAS DE LA DEFINICION. 11
Luego
X
P (Ai ) = 0
i=2
P (Ac ) + P (A) = 1.
...........................
.........
......
.......
.....
....
...
A2
..
....... ...
..... ........................... ...
... ... ..... ...
. ....
... ..
. ... ..
.... ... ..
....
...
... A 1
...
..
..
. .
..
.
.
... ..... ..
...... ... ...
...
... ....................... .....
... ..
......
.
.... ..
...... ......
.......... .......
......................
Figura 1.1
y en consecuencia
P (A1 ) P (A2 ) ya que P (A2 Ac1 ) 0
......... ........
A1 .................................................................................................. A2
. .. ... .....
..... .. ... ....
.... .. ... ...
... ..... ...
.... ... ..
. ...
..
. ... ...
.... ...
.... ... .
.
..
...
.... ... ..
.
. .
... ...
.... ..... .. ...
... ..... ..... ...
... ...
. ...
.... ............
. ..
..
...... . ......... ..
................................... ................................
Figura 1.2
S
(7) A1 A2 An P ( n=1 Ai ) = limn P (An ).
Sean
B1 = A1 y Bn = An Acn1 si n > 1,
resulta
[
X
Ai = Bi
i=1 i=1
y entonces
[
X
X
P( Ai ) = P ( Bi ) = P (Bi )
i=1 i=1 i=1
n
X Xn
= lim P (Bi ) = lim P ( Bi ) = lim P (An )
n n n
i=1 i=1
A1 A.n
... ...
... A2 .... An+1
... .
. . . .
... ... ... ...
... ... ... ...
................................ ...
. . . . .........................................................................
. . . . ... ............................................................................................
.
..... ..................................................................... ..
... ....... ............................................................ ..
... ..................................................................................................... ..
.... ............................................................................................................. .
. .. ...................................................................................................................................................................................................... ...
. . . .. . . . .
.. .................................................................................................................................................................. ..
.. ................................................................................................................................................................................. ..
.. ................................................................................................................................................................................................. ..
... ................................................................................................................................................................................................................................................ ..
.. ............................................................................................................................................................................... ..
.. ............................................................................................................................... ..
.. ........................................................................................................................... .....
.. ............................................................................................................. .....
.. ................................................................................................ .....
.... ......................................................................... .....
..... ................................... ......
...... ....................... ........
............ .............
.......
Figura 1.3
T
(8) A1 A2 An P ( n=1 Ai ) = limn P (An ).
Como la sucesion {Acn } es creciente, usando (7) obtenemos
! !c ! !
\ [ [
P Ai = P Aci =1P Aci
n=1 n=1 n=1
Queremos deducir de (1.1) que tambien es valida una formula analoga para
n+1 !
[
P Ai .
i=1
Sn
Pongamos entonces B = i=1 Ai y apliquemos la propiedad (6) a
n+1 !
[
P Ai = P (B An+1 ) = P (B) + P (An+1 ) P (B An+1 )
i=1
n
! n
[ [
=P Ai + P (An+1 ) P ( (Ai An+1 )). (1.2)
i=1 i=1
Aqu el primer sumando viene del primero de (1.2) y el segundo, del tercero de (1.2). De la misma
manera, para k n, queda una suma de la forma
X
(1)k+1 P (Ai1 Ai2 Aik )
1i1 <i2 <...<ik n
X
k
(1) P (Ai1 Ai2 Aik1 An+1 )
1i1 <i2 <...<ik1 n
X
= (1)k+1 P (Ai1 Ai2 Aik ).
1i1 <i2 <...<ik n+1
14 CAPITULO 1. ESPACIOS DE PROBABILIDAD
Finalmente, para k = n + 1, no tenemos ningun termino en el primer sumando de (1.1) y tenemos uno
solo en el tercero que es:
(1)n+2 P (A1 A2 An An+1 ).
Juntando todos los terminos resulta
n+1 ! n+1
[ X X
P Ai = (1)k+1 P (Ai1 Ai2 Aik ).
i=1 k=1 1i1 <i2 <...<ik n+1
Un caso particular de interes es aquel en el cual pi = 1/m para todo i, y ahora si A tiene n elementos
n
P (A) = ,
m
es decir que si todos los eventos elementales son igualmente probables, la probabilidad de un evento A es
el cociente entre el numero de elementos que pertenecen a A y el n umero total de elementos de . Esta
definicion se conoce como la definici
on cl
asica y fue propuesta, entre otros, por Laplace. En la seccion 1.7
incluimos algunos comentarios al respecto.
En una situacion como la descrita, en la cual todos los resultados posibles del experimento tienen la
misma probabilidad de ocurrir, el problema de calcular la probabilidad de un evento se reduce a contar
cuantos resultados posibles tiene el experimento y cuantos de estos pertenecen al evento que nos interesa.
En el proximo captulo estudiaremos algunas tecnicas combinatorias que facilitan estos calculos.
En un problema especfico, podemos determinar si los resultados posibles tienen la misma probabilidad
por consideraciones de simetra sobre el experimento que estamos considerando. Por ejemplo, si se trata del
lanzamiento de un dado, en principio no hay razones para suponer que alguna cara tenga mayor o menor
probabilidad de ocurrir que las demas, y por lo tanto asumimos como modelo que todos los resultados son
equiprobables. Algo similar sucede con el lanzamiento de una moneda, el juego de ruleta o la extraccion de
una carta de un paquete que ha sido bien barajeado.
Por supuesto que en la practica esto puede no ser cierto: el dado puede no ser perfectamente simetrico, o
la ruleta puede estar desbalanceada y favorecer ciertos resultados. Para determinar si este es el caso existen
procedimientos estadsticos que permiten contrastar la hipotesis de simetra, pero por los momentos no nos
ocuparemos de este problema.
1. De los n
umeros del 1 al 10 escogemos tres al azar, en orden y sin reposicion. Cual es la probabilidad
de obtener 1, 2 y 3, en este orden?
En este problema podemos describir el espacio muestral como el conjunto de todos los vectores de tres
componentes tomadas de los enteros del 1 al 10, sin repetir ninguna componente.
Como estamos muestreando al azar, todos los vectores del espacio tienen la misma probabilidad.
El evento que nos interesa corresponde a un resultado particular, el vector (1, 2, 3). Por lo tanto tenemos
que contar cuantos elementos hay en para saber cual es la probabilidad de cada uno de ellos. La
primera componente del vector la podemos escoger de 10 maneras. Para la segunda solo tenemos 9
posibilidades, porque no podemos repetir el n umero que ocupa la primera componente. Finalmente,
para la tercera hay 8 posibilidades. Por lo tanto tenemos
10 9 8 = 720
puntos en el espacio muestral. Como todos tienen la misma probabilidad, la respuesta al ejemplo es
1/720.
2. Si los n
umeros del ejemplo anterior se escogen con reposicion Cual es la probabilidad de obtener 1, 2
y 3, en este orden?
En este caso el espacio muestral incluye vectores con componentes repetidas:
= {(a, b, c) : 1 a, b, c 10}.
Para cada componente tenemos ahora 10 posibles valores, de modo que el espacio tiene 103 = 1, 000
puntos. Como todos tienen la misma probabilidad, la respuesta en este caso es 1/1, 000 = 0.001.
En este caso todos los eventos elementales de tienen la misma probabilidad: 1/36. Los resultados
que tienen componentes cuya suma es 7 son
(1, 6); (2, 5); (3, 4); (4, 3); (5, 2); (6, 1).
1 1
6 = .
36 6
En este ejemplo podemos considerar otro espacio muestral: el conjunto de las sumas posibles
El problema para usar este espacio como base para nuestro analisis es que sus elementos no son
equiprobables. Por ejemplo, para tener una suma de 2, ambos dados tienen que salir 1, lo cual tiene
probabilidad 1/36, y acabamos de ver que la probabilidad de que la suma sea 6 es 1/6.
16 CAPITULO 1. ESPACIOS DE PROBABILIDAD
y concluyo que la probabilidad de obtener una cara y un sello es 1/3. Como hemos visto, el u
ltimo
caso en realidad debe separarse en dos:
(3a) La primera moneda es aguila y la segunda es sol.
(3b) La primera moneda es sol y la segunda es aguila.
Esto es obvio si lanzamos una moneda tras otra y no simultaneamente, o si las monedas son distin-
guibles. Por lo tanto la respuesta correcta es 2/4 = 1/2. Hacemos una observacion importante sobre
este caso en la seccion 1.7.
5. Si lanzamos una moneda dos veces y una de las veces sale aguila Cual es la probabilidad de que el
otro lanzamiento haya sido sol?
Para este ejemplo el espacio muestral es
y todos los resultados tienen igual probabilidad de ocurrir. Si sabemos que uno de los lanzamientos fue
A, nos quedan tres resultados posibles y de ellos en dos casos el otro lanzamiento es S. Por lo tanto la
probabilidad es 2/3.
La situacion sera distinta si nos dicen que el primer lanzamiento resulto A, pues en este caso el
segundo tiene dos posibilidades A y S con igual probabilidad, y la respuesta en este caso sera que la
probabilidad es 1/2.
donde los n
umeros pi verifican
p 0 para todo i
i
X
pi = 1
i=1
Claramente en este caso no es posible que los pi sean todos iguales, ya que de ser as no pueden satisfacer
las condiciones anteriores. En el captulo 3 consideraremos en mas detalle estos espacios y los del ejemplo
anterior.
Veamos un ejemplo.
1. Lanzamos una moneda hasta que salga Aguila por primera vez. Los resultados posibles de este ex-
perimento son los n
umeros naturales: = N. La probabilidad de obtener Aguila en el primer lan-
zamiento es 1/2. La probabilidad de salga Sol en el primer lanzamiento y Aguila en el segundo es
(1/2) (1/2) = 1/4. La probabilidad de tener Sol dos veces y luego Aguila es 1/8 y as sucesiva-
mente. Vemos que la probabilidad de obtener Aguila por primera vez en el n-esimo lanzamiento es
1.5. EJEMPLOS Y APLICACIONES. 17
pn = 1/2n . Tenemos que verificar que esta asignacion define una probabilidad y para esto es necesario
que
X
pn = 1.
n=1
Recordamos la formula para una serie geometrica:
1
1 + r + r2 + r3 + = (1.3)
1r
y multiplicando ambos lados por r obtenemos
r
r + r2 + r3 + r4 + = (1.4)
1r
para 1 < r < 1.
P
Si ponemos r = 1/2 en (1.4) obtenemos que la suma pn vale 1. Ademas de comprobar que pn define
una probabilidad sobre , este resultado muestra que con probabilidad 1 obtendremos un Aguila
en un numero finito de lanzamientos, o equivalentemente, que la probabilidad de no obtener nunca
Aguila en una sucesion de lanzamientos de una moneda balanceada es 0.
Sea ahora A el evento la primera Aguila se obtiene en un n
umero par de lanzamientos. Tenemos que
A = {2, 4, 6, . . . } y
1 1 1
P (A) = + + + .
4 16 64
Poniendo r = 1/4 en la ecuacion (1.4) obtenemos que
1/4 1
P (A) = = ,
1 1/4 3
de modo que la probabilidad de que la primera Aguila salga en un n
umero par de lanzamientos es
1/3 y en un n
umero impar, 2/3.
n3
P ({DDD}) = = p3
N3
y analogamente
P ({BBB}) = q 3 ,
P ({BDD}) = P ({DDB}) = P ({DBD}) = p2 q,
P ({BBD}) = P ({BDB}) = P ({DBB}) = pq 2 .
18 CAPITULO 1. ESPACIOS DE PROBABILIDAD
Se verifica que
P () = p3 + 3p2 q + 3pq 2 + q 3 = (p + q)3 = 1.
Calculemos la probabilidad del evento A: se obtiene al menos un defectuoso en la muestra. Como A
es el complemento del evento Ac : no se obtiene ning
un defectuoso en la muestra, resulta
P (A) = 1 P (Ac ) = 1 q 3 .
Consideremos ahora la siguiente situacion que se presenta en problemas vinculados a control de calidad.
Supongamos que se ignora la proporcion p de defectuosos en la poblacion y estamos interesados en
tener una estimacion de ese valor. Extraemos una muestra de tres artculos entre los cuales hay uno
solo defectuoso.
Analicemos la probabilidad del evento: se obtiene un solo defectuoso en la muestra, seg
un diversos
valores de p, como indica el cuadro siguiente:
p 3pq 2
0.1 0.243
0.2 0.384
0.3 0.441
0.4 0.432
0.5 0.375
0.6 0.288
0.7 0.189
0.8 0.096
0.9 0.027
Si tuvieramos que seleccionar uno de estos valores para p, una opcion posible sera admitir aquel que
haga mayor la probabilidad del evento que ocurrio efectivamente, o sea 0,3.
Utilizando este criterio, y aceptando como posibles valores de p todos los n umeros reales entre 0 y 1,
adoptamos como estimacion aquel que haga maxima la probabilidad 3pq 2 = 3p(1 p)2 del evento que
efectivamente ocurrio. Este criterio de estimacion se llama de m
axima verosimilitud. Para maximizar
esta funcion
L(p) = 3p(1 p)2
calculamos su derivada
L0 (p) = 3(1 p)(1 3p)
que se anula en p = 1, p = 1/3.
El grafico de la funcion L(p) es el que se indica en la figura 2.4, y el maximo para p [0, 1] esta en
p = 1/3. Tomamos, por lo tanto, como estimacion p = 1/3, valor que obviamente se adec ua a lo que
indica la intuicion inmediata, dado que en la muestra de tres resulto uno defectuoso.
(2) Error de Redondeo. Consideremos nuevamente el caso del error de redondeo. Supongamos que se
trunca el resultado de una operacion aritmetica en la parte entera, es decir, que en lugar del n
umero
real no negativo x se toma su parte entera [x], esto es, el mayor entero que no supera x. El planteo es
esencialmente el mismo si se trata del truncamiento en cualquier cifra decimal.
El error cometido al truncar es x [x], que podemos considerar como un evento elemental del intervalo
[0, 1) = , tomado como espacio muestral.
Con frecuencia como veremos al examinar este problema mas adelante estaremos interesados en
asignar al espacio muestral una probabilidad uniforme en el siguiente sentido: intervalos de igual
longitud deben tener igual probabilidad. No es difcil probar que una tal probabilidad P debe verificar
P ([a, b)) = b a (1.5)
1.5. EJEMPLOS Y APLICACIONES. 19
......
.........
L(p) ....
...
...
...
............
0.5 ..
.... ........
.. ........... ..................
... ...... ......
..... ......
... ..... .....
... ......
. .....
.....
... .... .....
... .... .....
.....
... ..
. .....
... ...
. .....
... ...
.
.....
.....
... .... .....
.....
... ... .....
... ... .....
.....
... ... ......
...... ......
.......
...... ... .
................................................................................................................................................................................................................................................................
... .. .. .. .
.. .. ..
...
...
1/3 0.5 1 p
Figura 1.4
cualquiera que sea el intervalo [a, b), 0 a < b < 1. Una manera de hacerlo es la siguiente: si P tiene
esa propiedad, para n natural se tiene
1 1 2 n1
P 0, =P , = = P ,1
n n n n
y como la suma de estas n probabilidades es P () = 1 resulta que cada una de ellas es 1/n.
Si m y n son enteros positivos, m < n, resulta que
h m
1 m1 m m
P 0, =P 0, + + P , = .
n n n n n
Si x es un n
umero real cualquiera perteneciente al intervalo (0, 1), consideremos dos sucesiones de
n
umeros racionales
mk m0 mk m0k
< x < 0k , x, x, k
nk nk nk n0k
y se tiene
mk mk m0k m0
=P 0, P ([0, x)) P 0, 0 = 0k .
nk nk nk nk
Pasando al lmite para k resulta
Resulta
P (A) = P ([0.9 , 1)) = 1 0.9 = 0, 1.
Cu
al es la probabilidad de que la segunda cifra truncada sea 9?
Este evento es
B = [0.09, 0.1) [0.19, 0.2) [0.99, 1)
20 CAPITULO 1. ESPACIOS DE PROBABILIDAD
y su probabilidad es
10 veces
z }| {
1 1
P (B) = + + = 0.1.
100 100
(3) Un dado esta cargado de modo tal que la probabilidad de que salga la cara k es proporcional a k.
Hallar la probabilidad de cada uno de los eventos:
a. El resultado de arrojar el dado es un n
umero par.
b. El resultado es menor que 6.
P (Ac ) = 1 P (A)
] = N k ]A = N (N 1) (N r + 1)
y por lo tanto
N (N 1) (N r + 1) 1 r1
P (Ac ) = 1 = 1 1 . . . 1 .
Nr N N
1.5. EJEMPLOS Y APLICACIONES. 21
.
......
.......
...
...
..........
y ..
...
...
........ ...
........ ...
........
........ ...
........ .
....... ....
...... ..
..... ..
.........
1 ............
... .......
... .............
... ............
... ...........
...........
... ..... .......
..... ........
... x
...
...
..... ........
..... y=e ..
..... ................
..... ..........
... ..... ...........
.............
... .....
..... ................
... ..... ....................
...
... .....
. .. .
.....................................................................................................................................................................................................................
..... .
.... .....
0 ...
... 1 .....
. x
...
...
y =1x
Figura 1.5
Obtenemos r1 r(r1)
1 2
P (Ac ) > 1 e N + N ++ N = 1 e 2N
Para r = 23 y N = 365 obtenemos P (Ac ) > 0.50000175. As, en un grupo de 23 personas, con
probabilidad mayor que 1/2, hay dos personas que cumplen a nos el mismo dia, lo cual es bastante
sorprendente. Para r = 30 la probabilidad es superior a 0.696 y para r = 50, superior a 0.965. J
En resumen, la formula
pm = p(1 p)m1
vale para todo m 1. Ademas, como p > 0,
X
X p
p(1 p)m1 = p (1 p)m = = 1.
m=1 m=0
1 (1 p)
...........................
............. ........
........ ......
....... ......
.
........ .... .....
...... ...
.
.....
.
........................................................................................................
B .
.
.. ...
.... ....
.
...
... C
..
.. .
.. .....
... ... ... ....
.. ... ..
.... ...
... .
... .. ...
..... ... ... ...
... .. ...
... ...
..
...
. ..... ..
...
...
... ...
... .. ....
...
.
... ... ... ...
. ..
.
........ ... ... ... ...
.......... ... .. .. ...
... ....... ... ... ... ...
..... ....... .. .. ... .....
..... ....... ......... .... .....
...... ...... ..... ..
....... ...... ..... ... ......
......
....... ......... . ........
.........................................................................................................................................................................
D A E
Figura 1.6
Cualquier cuerda que este dentro del angulo BAC de 60 es mayor que el lado del triangulo. Cualquier
cuerda que este dentro de alguno de los angulos BAD o CAE es menor. Ambos angulos miden tambien
60 . En resumen, las cuerdas que tienen un extremo fijo en A estan en el angulo DAE que mide 180 . De
estas, las que estan dentro del angulo BAC, que mide 60 , son mayores que el lado del triangulo, el resto
son menores. Por lo tanto, la probabilidad buscada es
60 1
= .
180 3
Segunda Respuesta: Toda cuerda es perpendicular a un diametro, que pasa por su punto medio. Podemos
pensar que para seleccionar al azar una cuerda, podemos seleccionar inicialmente el diametro al cual va a
ser perpendicular, y luego escogiendo un punto del diametro, tenemos el punto medio de la cuerda con lo
cual esta queda determinada. Supongamos que la cuerda que escogemos al azar es perpendicular al diametro
1.6. LA PARADOJA DE BERTRAND. 23
AK, y sobre este diametro dibujamos la altura del triangulo, como se ve en la figura 2.7. Es facil mostrar
que la distancia del centro del crculo a cualquier lado del triangulo es igual a la mitad del radio del crculo.
En particular, OM es la mitad del radio OK, o tambien un cuarto del diametro AK. Colocamos el punto
N sobre el diametro de modo que la distancia ON sea igual a OM . En la grafica hemos dibujado con trazo
discontinuo la cuerda paralela al lado BC del triangulo.
Es claro que las cuerdas que cortan al diametro AK en alg un punto del intervalo M N son mayores que
el lado del triangulo. La cuerda aleatoria puede pasar por cualquier punto de AK, las que pasan por puntos
en el intervalo M N , cuya longitud es la mitad de AK, son mayores que el lado del triangulo. Por lo tanto la
probabilidad buscada es 1/2.
A
........................................................
........ . ......
...... ... .. ... ......
...... ... ... .. .....
......
. .. .. ... .....
.... .
..... .... ..... ...
.
......... ... ... ... ............ ... ......... ... .......... ... ... ... ... ......
.
.. . . ... ...
...
.
.
.
...
. .
.
..
.
.
N ...
....
...
...
.... ... .
. . ...
... .... ...
.
...
.... ...
... ... . . . . ..... ... .
... ... .. . ..
...
... .... ..
.
. .
.
.
.
.
.
.
O ...
....
.... .. ..
.
.
...
... ..
... .... ... .. .
........................................................................................................
B ... ... ..
. C
.....
.....
...... M .
.
.... .......
.....
....
....... .
. ....
......... ...
............................................
Figura 1.7
Tercera Respuesta: En la figura 2.8 hemos dibujado una circunferencia inscrita en el triangulo equila-
tero. Como hemos dicho en la solucion anterior, el radio de esta circunferencia es la mitad del radio de la
circunferencia original. En la figura observamos que si DE es una cuerda cuya distancia del centro es mayor
que OM , entonces DE es mas corta que BC mientras que si F G es una cuerda cuya distancia al centro es
menor que OM , entonces F G es mayor que BC.
Observamos ahora que la distancia de una cuerda al centro de la circunferencia es en realidad la distancia
del punto medio de la cuerda al centro de la circunferencia. La cuerda seleccionada al azar puede tener como
punto medio a cualquier punto del crculo inicial, y los puntos medios de las cuerdas que son mayores que
BC estan en el crculo pequeno. En consecuencia la probabilidad de que la cuerda escogida al azar sea mayor
que un lado del triangulo es el cociente entre las areas del crculo peque
no y del crculo grande. Si llamamos
r el radio del crculo peque
no, el cociente entre las areas es
r2 r2 1
2
= 2
= .
(2r) 4r 4
A
...............
............. ......... ....................
........ ......
...... ... ..... .....
...
. ..... .
... ... .....
.. . ... .....
.... ... . ...
. ... ... ..................... .....
. ...
... .......... ......... ...
...... ...... ...
.... .. ..
... ...
... .... ..... ...
....
....
...
.
.
....
.
... ....
O
..........
.
.....
. .
. ....
...
..
... . . .
.
. .... ...
... .. ..
. .
. .. ..
.
... ... .... .. . ....
. .
.
F . . .
.........................................................................................................................
... .... ... . ... .. . G
.
..............................................................................................................................
...
B .... ... ... C
.....
..... M ...
.
........................................................................
....
.....
....... .......
D ..........
................................... E
Figura 1.8
Hemos obtenido entonces tres respuestas distintas para el problema planteado por Bertrand! Esto parece
paradojico, pero no lo es. El punto es que el planteamiento del problema es impreciso: Que quiere decir
24 CAPITULO 1. ESPACIOS DE PROBABILIDAD
escoger una cuerda al azar? Hemos dado tres interpretaciones distintas, en primer lugar suponemos que
escoger una cuerda al azar consiste en fijar un extremo de la cuerda y luego seleccionar el angulo que hace
la cuerda con la tangente a la circunferencia en el punto escogido, de manera que todos los angulos son
igualmente probables. En segundo lugar, escogimos un diametro y sobre el, de manera uniforme, un punto,
que es el punto medio de la cuerda. En tercer lugar escogemos un punto del crculo de manera uniforme. Este
punto es el punto medio de la cuerda. En cada ocasion estamos considerando un espacio de probabilidad
muestral distinto y una probabilidad distinta para medir los sucesos que nos interesan. Siendo as, no es
sorprendente que hayamos obtenido respuestas distintas.
La paradoja de Bertrand nos se nala el riesgo de usar con demasiada libertad la expresion al azar.
Situaciones como esta, en las cuales parece haber un problema de ambig uedad e incertidumbre, tuvieron un
efecto negativo en el desarrollo de la Teora de Probabilidades.
Cardano escribio el primer libro sobre juegos de azar, alrededor de 1550 pero publicado solo en 1663:
De ludo alea (el libro de los juegos de azar), que puede ser descrito como un manual para jugadores. En
su libro usa con frecuencia la definicion clasica de probabilidades que formulamos en la seccion 1.5.1 y que
atribuimos a Laplace.
3.- El nacimiento de la Teora de Probabilidades se asocia usualmente con la correspondencia entre Pierre
de Fermat (1601 - 1665) y Blaise Pascal (1623 - 1662). Como partero funjio Antoine Gombauld, Chevalier
de Mere, un noble frances con interes en los juegos de azar y las apuestas. De Mere consulto a Pascal, quien
escribio a Fermat, comenzando una correspondencia que ejercera una profunda influencia en el desarrollo
posterior de las probabilidades. En las palabras de Poisson: un problema sobre juegos de azar, planteado a
un austero Jansenista 1 por un hombre de mundo, fue el origen del calculo de probabilidades.
Pierre de Fermat fue abogado de profesion y magistrado en la corte de Toulouse. Hizo contribuciones
importantes en geometra, teora de n umeros y en los orgenes del calculo, pero es conocido principalmente
por el ultimo teorema de Fermat: la ecuacion xn + y n = z n no tiene soluciones enteras (x, y, z) para n 3.
Este teorema ha sido demostrado recientemente, tras el esfuerzo de numerosos matematicos, por A. Wiles.
Veamos un ejemplo del tipo de problemas que consideraron en su correspondencia. En una carta de 1.654
Pascal escribe a Fermat sobre un problema planteado por De Mere:
... no tengo tiempo de enviarle la explicacion del problema que M. De Mere encontro difcil. Es muy inteligente,
pero no es un ge ometra (lo cual, como usted sabe, es un grave defecto) y no puede siquiera comprender que una
recta matem atica es infinitamente divisible: est
a convencido de que una recta est
a compuesta de un numero finito de
puntos, y nunca he podido convencerlo de lo contrario. Si usted puede lograrlo, le har a un gran servicio.
Me deca haber encontrado algo err oneo con los numeros porque:
Si uno trata de obtener un seis con un dado, la ventaja de hacerlo en cuatro lanzamientos es como 671 a 625. Si
uno trata de obtener un doble seis con dos dados, es desventajoso hacerlo en 24 lanzamientos. Sin embargo 24 es a
36 (que es el n
umero de caras de dos dados) como 4 es a 6 (que es el n umero de caras de un dado).
Esto le parecio asombroso y dijo en voz alta que las proposiciones no eran consistentes y la aritmetica era
contradictoria; pero usted seguramente es lo suficientemente instruido para reconocer la falla en su razonamiento.
Este problema estaba basado en un juego de moda en la epoca, en el cual la casa apuesta pagando uno
a uno, a que un jugador lance al menos un seis en cuatro lanzamientos de un dado. Como dice Pascal,
este juego es ligeramente favorable a la casa en la proporcion 671 a 625. Para ver esto observamos que la
probabilidad de que haya al menos un 6 en cuatro lanzamientos de un dado es
4
5 625 671
1 =1 = = 0.517
6 1296 1296
El problema que preocupaba a De Mere se refera a un juego similar, lanzando un par de dados: Por que no
es favorable a la casa apostar que el jugador obtendra al menos un doble seis en 24 lanzamientos de un par
de dados? Su razonamiento fue el siguiente: si lanzo un dado hay seis resultados posibles, mientras que si
lanzo dos hay 36 (= 6 6). Por lo tanto, si con cuatro lanzamientos el juego con un dado es favorable, con
6 4 = 24 lanzamientos el juego con dos dados tambien debe serlo. En realidad, la probabilidad de que haya
al menos un doble seis en 24 lanzamientos de dos dados es
2
35
1 4 = 0.4913.
36
Si p representa la probabilidad de un resultado favorable en un lanzamiento, 1 (1 p)n representa la
probabilidad de obtener al menos un resultado favorable en n lanzamientos. Como vemos en esta expresion,
dividir p por un n umero no es equivalente a multiplicar el exponente n por ese mismo n umero.
4.- Pierre Simon Laplace nacio en Normanda el 23 de marzo de 1749 y vivio a traves de la Era
Napoleonica. En una epoca que muchos consideran la edad de oro de la ciencia francesa, Laplace fue el
cientfico mas ilustre de Francia. Al morir, el 5 de marzo de 1827, Poisson lo alabo como el Newton de Fran-
cia. Elegido a la Academia de Ciencias en 1773, fue profesor en la Escuela Militar, de la Escuela Normal,
Ministro del Interior (aunque solo por seis semanas, antes de ser reemplazado por el hermano de Napoleon)
y Canciller del Senado. Fue nombrado Marques por Luis XVIII.
1 doctrina de Jansenio, que exageraba las ideas de San Agustn.
26 CAPITULO 1. ESPACIOS DE PROBABILIDAD
Sus principales intereses fueron la astronoma y las probabilidades, lo cual se refleja en sus dos obras
fundamentales: Tratado de Mecanica Celeste (cuatro vol umenes, 1799 - 1805) y Teora Analtica de Proba-
bilidades (1812). Laplace crea en el determinismo de los sistemas fsicos y por lo tanto pensaba que no puede
haber probabilidad en el mundo material. La probabilidades surgen de nuestro conocimiento y nuestra igno-
rancia. La teora del azar consiste en reducir todos los sucesos del mismo tipo a un cierto n umero de casos
igualmente posibles, es decir, aquellos sobre los cuales estamos igualmente indecisos sobre su existencia.
5.- La definicion clasica no es original de Laplace. Leibniz la menciona en 1678 y algunos piensan que
es el primero en usarla. Gottfried Wilhelm Leibniz (1646 - 1716), filosofo racionalista y matematico aleman,
tuvo un gran interes por las probabilidades, publico en 1666 la primera monografa sobre la teora de com-
binaciones (Ars Combinatoria) y aunque no hizo ninguna contribucion formal de importancia a la teora de
probabilidades, fue el primero en intentar su axiomatizacion. Fue un testigo de excepcion del surgimiento de
las probabilidades y conocio a todos los protagonistas, excepto a Pascal.
6.- La definicion clasica aparece tambien en 1705 en los trabajos de Jacques Bernoulli. Los Bernoulli
son, sin duda, la familia mejor conocida en la historia de las matematicas. Unos doce de ellos han hecho
contribuciones en matematicas y al menos cinco trabajaron en probabilidades. Jacques (tambien conocido
como Jacob o James) nacio en Basilea, Suiza, el 27 de diciembre de 1654. Para 1684 Jacques, y su hermano
Jean (tambien conocido como Johann o John) haban desarrollado por su cuenta el calculo diferencial,
a partir de indicaciones publicadas por Leibniz, y eran reconocidos como matematicos de primera lnea.
Posteriormente trabajaron sobre calculo integral, curvas y problemas de minimizacion. Jacques fue profesor
de la Universidad de Basilea desde 1687 hasta su muerte, mientras que su hermano fue profesor en Groninga
desde 1695 hasta 1705, a no en que reemplazo a su hermano como profesor en Basilea.
Los hermanos Bernoulli no fueron colaboradores, mas bien fueron rivales y en sus u ltimos anos no tuvieron
ningun contacto directo. Al morir Jacques en 1705, dejo una cantidad de trabajos sin publicar, algunos
incompletos, en diversos temas de matematicas, que fueron editados por su sobrino Nicolas y publicados en
1713.
El mas importante de ellos trataba sobre probabilidades y fue publicado bajo el nombre de Ars Con-
jectandi. En su Ensayo Filosofico sobre las Probabilidades, Laplace incluye una Nota Historica Sobre el
Calculo de Probabilidad en la cual dice lo siguiente sobre el libro de Bernoulli:
... En este trabajo Bernoulli avanza la teora de probabilidades mucho mas de lo que lo hizo Huygens: da una
teora general de combinaciones y series y las aplica a varios problemas difciles relacionados con el azar. El trabajo
tambien es notable por la precisi
on y sutileza de sus observaciones, y por su aplicaci on de la f
ormula binomial a este
tipo de problemas, as como por la demostraci on de un teorema que dice que, si aumentamos, ilimitadamente, el
numero de observaciones y experimentos, el cociente de los diversos resultados tiende al cociente de sus respectivas
probabilidades, y si hacemos suficientemente grande el n umero de experimentos, este cociente se acerca tanto como
queramos al cociente de las probabilidades. Este teorema es muy u til para deducir a partir de observaciones, las leyes
y causas asociadas con diversos fenomenos. Bernoulli, con raz on, considero la demostracion de este teorema como de
gran importancia, y dice haberla pensado durante un perodo de veinte a nos.
Ejercicios
1. Sean A1 , A2 y A3 eventos de un espacio muestral. Expresar mediante uniones, intersecciones y com-
plementos los siguientes eventos:
a. Los tres eventos ocurren. b. Ocurre solo A1 .
c. Ocurren A1 y A2 , pero no A3 . d. Ocurre al menos uno de los tres eventos.
e. No ocurre ninguno. f. Ocurren al menos dos.
g. Ocurren dos y no mas.
Sn
2. Expresar como uniones disjuntas a) A1 A2 ; b) A1 A2 A3 ; c) i=1 Ai .
3. Sea = {AAA, AAS, ASA, SAA, ASS, SAS, SSA, SSS}. Describa con palabras los siguientes eventos
y calcule sus probabilidades:
1.7. COMENTARIOS Y ALGO DE HISTORIA. 27
4. El evento A \ B quiere decir que A ocurre pero B no. Demuestre que las operaciones de union, inter-
seccion y complemento se pueden expresar usando solo esta operacion.
(A B) \ (C D) (A \ C) (B \ D).
6. Sean A y B dos eventos en un espacio de probabilidad. Demuestre que P (A4B) = P (A) + P (B)
2P (A B).
7. Sean A y B eventos con probabilidades P (A) = 3/4 y P (B) = 1/3. Demuestre que 1/12 P (A B)
1/3, y de ejemplos que demuestren que los extremos se pueden alcanzar. Halle las cotas correspondientes
para P (A B).
8. Sea A y B dos eventos en un espacio de probabilidad. Usando P (A), P (B) y P (A B) exprese las
siguientes probabilidades: (a) Para k = 0, 1, 2, P (exactamente k de los eventos A y B ocurren). (b)
Para k = 0, 1, 2, P (al menos k de los eventos A y B ocurren). (c) Para k = 0, 1, 2, P (a lo sumo k de
los eventos A y B ocurren).
9. Sea A, B y C tres eventos en un espacio de probabilidad. Usando P (A), P (B), P (C), P (A B),
P (A C), P (B C) y , P (A B C) exprese las siguientes probabilidades: (a) Para k = 0, 1, 2, 3,
P (exactamente k de los eventos A y B ocurren). (b) Para k = 0, 1, 2, 3, P (al menos k de los eventos A
y B ocurren). (c) Para k = 0, 1, 2, 3, P (a lo sumo k de los eventos A y B ocurren).
10. Eval
ue las probabilidades mencionadas en el ejercicio 8 si (a) P (A) = P (B) = 1/3, P (A B) = 1/6.
(b) P (A) = P (B) = 1/3, P (A B) = 1/9. (c) P (A) = P (B) = 1/3, P (A B) = 0.
11. Eval
ue las probabilidades mencionadas en el ejercicio 9 si (a) P (A) = P (B) = P (C) = 1/3, P (A
B) = P (A C) = P (B C) = 1/9, P (A B C) = 1/27. (b) P (A) = P (B) = P (C) = 1/3,
P (A B) = P (A C) = P (B C) = P (A B C) = 0.
13. Suponga que P (A) 0.9, P (B) 0.8 y P (A B C) = 0, demuestre que P (C) 0.3.
15. Sea D el evento exactamente uno de los eventos A, B y C ocurre. Exprese P (D) en terminos de
P (A), P (B), P (C), P (A B), P (A C), P (B C) y P (A B C).
17. La condicion de -aditividad para una medida de probabilidad es equivalente a otras propiedades.
Pruebe que es equivalente a las proposiones (a) y (b):
a. Si A1 A2 es una sucesion creciente de eventos y A = A1 A2 entonces P (A) =
limn P (An ).
b. Si A1 A2 es una sucesion decreciente de eventos y A = A1 A2 entonces P (A) =
limn P (An ).
18. Una caja contiene n bolas rojas y n bolas blancas. Se extraen dos bolas al azar. Cual es el espacio
muestral para este experimento? Cual es la probabilidad de que las dos bolas tengan colores distintos.
Halle la probabilidad pn de que las bolas sean del mismo color y evalue limn pn .
19. Una caja contiene 10 bolas negras y 5 bolas rojas. Se extraen 3 bolas al azar, con reposicion. Calcular:
a. La probabilidad de que sean 2 negras y una roja.
b. La probabilidad de que sean las tres negras.
c. Repetir el ejercicio anterior suponiendo que la extraccion es sin reposicion.
20. Se extraen dos cartas sucesivamente de un juego de 52 cartas. Halle la probabilidad de que la segunda
carta sea mayor que la primera.
22. Lanzamos una moneda balanceada cuatro veces. Calcule la probabilidad de los siguientes eventos:
a. Ocurren al menos tres Aguilas.
b. Ocurren exactamente tres Aguilas.
c. Ocurren al menos tres Aguilas consecutivas.
d. Ocurren exactamente tres Aguilas consecutivas.
23. Se lanzan dos dados. Calcule la probabilidad de los siguientes eventos: a) obtenemos el mismo n
umero
en ambos dados; b) la suma es 7 u 11; c) los n
umeros son primos relativos, d) la suma es impar; e) el
producto es impar; f) un n
umero divide al otro.
24. Se realiza un test de conocimientos con 11 preguntas a contestar por s o no. Se da por aprobada
la prueba si se contestan correctamente al menos 6 de las 11 preguntas. Cual es la probabilidad de
aprobar el examen contestando al azar?
25. Sean P1 , P2 dos medidas de probabilidad definidas sobre la misma -algebra F y sea 0 1.
Demuestre que P1 +(1)P2 tambien es una medida de probabilidad sobre F. Generalice el resultado
a n medidas de probabilidad.
26. a. Sea pi = a/i2 para i N. Halle el valor de a para que pi defina una probabilidad.
b. Sea pi = b/i2 para i = 1, 2, . . . . Halle el valor de b para que pi defina una probabilidad.
28. Sea F una -algebra de eventos en un espacio finito. Demuestre que F no puede contener exactamente
6 eventos. Que enteros pueden ser el cardinal de F?
29. Sean: = [0, 1], B la familia de conjuntos de Borel y P la probabilidad definida en el ejemplo 6 de la
seccion 2.4.
a. Probar que P ({}) = 0, donde {} es el subconjunto de que consta solo del punto . (Verificar
previamente que {} B).
b. Sean Q = { : [0, 1] es racional} e I = { : [0, 1] es irracional}. Probar que P (Q) = 0
y P (I) = 1.
30. Se lanza reiteradamente una moneda balanceada. Cual es la probabilidad de que ocurran 4 caras antes
que dos sellos?
31. Se lanzan cuatro dados y se multiplican los n umeros que se obtienen. Cual es la probabilidad de que
este producto sea divisible por 5? Cual es la probabilidad de que el u
ltimo dgito en el producto sea
5?
32. Antonio y Bruno acuerdan una competencia de esgrima en una serie de mangas de modo que el primero
en ganar dos mangas seguidas gana el combate. Antonio tiene probabilidad p de ganar una manga y
Bruno probabilidad q = 1 p. Cual es la probabilidad de que la competencia termine al cabo de k
mangas?
33. En una caja tenemos n bolas con los n umeros del 1 al n. Sea Dr el evento: se extrae una bola al azar
y el n
umero es divisible por r. Halle P (D3 ), P (D4 ), P (D3 D4 ) y P (D3 D4 ) y obtenga los lmites
de estas probabilidades cuando n .
35. Cu
ando son ciertas las siguientes relaciones?
a. A (B C) = (A B) (A C) b. A (B C) = (A B) C
c. A (B C) = A \ (B \ C) d. (A \ B) \ C = A \ (B \ C)
e. A(BC) = (AB)C f. A \ (B C) = (A \ B) (A \ C)
g. A \ (B C) = (A \ B) (A \ C)
37. Sea An , n 1 una sucesion de eventos con P (An ) = 1 para todo n. Demuestre que P (
n=1 An ) = 1.
38. En el juego de craps el jugador lanza dos dados. Si el resultado es 7 u 11, el jugador gana. Si es 2,
3 o 12, pierde. Si es cualquier otro resultado k, continua lanzando hasta obtener un 7, en cuyo caso
pierde, o k, en cuyo caso gana. Cual es un espacio muestral adecuado para este juego? Cual es la
probabilidad de ganar? Cual es la probabilidad de ganar en el primero o segundo lanzamiento? Cual
es la probabilidad de ganar si el primer lanzamiento es 6?
30 CAPITULO 1. ESPACIOS DE PROBABILIDAD
Es claro que Cn An Bn . Las sucesiones (Bn ) y (Cn ) son decreciente y creciente, respectivamente,
con lmites
\ \ [ [ [ \
lim Bn = B = Bn = Am , lim Cn = C = Cn = Am
n1 n1 mn n1 n1 mn
El evento B se conoce como el lmite superior de la sucesion (An ) y se denota limsup An mientras
que C se conoce como el lmite inferior de la sucesion (An ) y se denota liminf An . Demuestre que (a)
B = { : An para infinitos valores de n}. (b) C = { : An para todos los valores de
n salvo por un n
umero finito }.
40. Con las definiciones del ejercicio anterior, decimos que la sucesion (An ) converge a A = limn An
si B = C(= A). Suponga qu esto es ciertoy demuestre (a) A es un evento, es decir, A F , (b)
P (An ) P (A).
Captulo 2
Teora Combinatoria
La Teora Combinatoria es la rama de las matematicas que se ocupa del estudio de las formas de contar.
Aparte del interes que tiene en s misma, la combinatoria tiene aplicaciones de gran importancia en otras
areas, y en particular a la Teora de Probabilidades.
I La camisa la podemos elegir de cinco maneras distintas. Para cada una de ellas podemos escoger el
pantalon de tres maneras distintas. Por lo tanto hay 5 3 = 15 maneras de escoger un pantalon y una
camisa. J
I Para cada camino que escojamos entre A y B podemos escoger cuatro para continuar hasta C. Como
hay seis caminos entre A y B la respuesta es 6 4 = 24.
I El producto cartesiano A B esta formado por todos los pares ordenados (a, b) donde el primer
elemento, a, esta en A y el segundo, b, esta en B. Para cada uno de los k elementos de A que tomemos
como primer miembro del par hay n posibilidades para escoger el segundo a partir de los elementos de
B. Por lo tanto tendremos k n pares ordenados. J
Los tres problemas anteriores tienen caractersticas similares: Se trata de escoger dos elementos, cada
uno de un conjunto distinto y queremos contar el n umero de maneras de hacer esto. El resultado general
puede enunciarse de la siguiente manera:
32 CAPITULO 2. TEORIA COMBINATORIA
B
................
.......... ................................................
....... .......... ............. ................. .........
...... ....... ....... .......... ......... ........ .......
..
................. ........... ................ ..... .......... ........... ..........
..... ..... ..... ........... ... ..... ...... .....
.... .... ...... .... ..... ... ...... ...... .....
.... .... ..... ................. ... .. .. .
... .......... .......... ........
.... ..... ...... .. . .
............. ........ ........ ........... ...
....
..... ..... .....
..... ..... ....
........... ......... .......... .............. ....
....
..... .... ...
..... .... ..
....... ..... ..... ..... .... ..... ..... ..... ...
.................. .......... ............... ..... ..... .... ..
..... .......
. .......... ...... ..... ..... ..... ..... .......
. . .....
................ ........... .................... ...... ..... .......
...........
. .
. ....... ...... ....... ..... . ..
.......... ..........
................................................. ..
...............................
.
.
.............................. .. .
.
A C
Figura 2.1
I Podemos ahora comenzar con cualquiera de los 15 conjuntos de camisa y pantalon del problema 1.
Hay cuatro maneras de completarlo escogiendo un par de zapatos. Por lo tanto el n
umero de posibles
conjuntos de camisa, pantalon y zapatos es 15 4 = 60. J
Problema 5. Una costurera tiene tres botones, cinco agujas y ocho tipos de hilo. De cuantas maneras
puede escoger un objeto de cada tipo?
I 3 5 8 = 120. J
B
.................... .....
......... ......................................................
....... ......... ................ ................. ........
...... ........ ....... .......... ... ...... ....... .......
.................. ........... .................. ..... .......... ............ ..........
.
.... .... ..... .......... ... ..... ..... ....
.... ..... ...... .... .... ... ...... ...... .....
.... ..... ..... ................... ... .. .. ..
... ......... ......... ........
.... .... ...... . .. .
.. ............ ......... ......... ........... ....
....
..... ..... ....
..... .... ....
. ........... ......... ......... .............. ....
....
..... ..... ...
..... .... ..
.. .... ..... .
.... ..... .... .. ..... ..... ...
............. ........ .............. ..... ..... .... ..
.. .. ..... .......
. . ............. ......... ....... ....... .....
.......
..... .......
..... .......
. .......................... .................... ...... ..........
..
.. ................... ............ ........ .......
......... ..................
...............................................................
........................
.......... .......... .... ..... ..
......... ........ ... ....... .....
.
A ... .....
... ...... ...........
.
......
..... .
..
... C
... .....
.... ..... .........
. ...... ...
..... ...
..... .....
..... ...... .........
.
......... ...
.....
..... ...... ..... .... .....
..
..... .. .. ....
..... .......... ........ ..... .....
..... . . .... .....
..... .......... ........ ..
. .... .........
..... . . .
...... .......... ..... .. ....
...... . ... ......
....... ............... ..... ......
........ ........ .. ...............
................. ... ..........
..........
Figura 2.2
2.2. NUMERO DE SUBCONJUNTOS DE UN CONJUNTO FINITO. 33
I Podemos ir de A a C pasando por B o por D. Sabemos por el problema 2 que hay 24 maneras de ir
de A a C pasando por B. Por el Principio de Multiplicacion hay 3 2 = 6 maneras de ir de A a C
pasando por D. Por lo tanto, en total hay 24 + 6 = 30 maneras de viajar de A a C. J
Problema 7. Una persona visita dos tiendas con intencion de comprar un pantalon. En la primera tienda
hay seis modelos diferentes y para cada uno hay tres colores. En la segunda hay diez modelos y cuatro colores
para cada modelo. Entre cuantos pantalones tiene que escoger la persona?
I En la primera tienda hay 6 3 = 18 mientras que en la segunda hay 10 4 = 40. Para hallar el total
de pantalones tenemos que sumar estos dos numeros, y obtenemos 18 + 40 = 58. J
Vemos que en ambos problemas hay dos situaciones que son excluyentes: Para ir de A a C pasamos por
B o por D, pero no por ambos. El pantalon lo compramos en la primera tienda o en la segunda, pero no en
ambas. Cuando se presenta una situacion de este tipo, el n umero total de soluciones se obtiene sumando las
soluciones bajo las distintas alternativas. Este resultado se puede enunciar de la siguiente manera:
Principio de Suma. Si una situaci on puede ocurrir de k maneras distintas y una segunda situaci
on ex-
cluyente de la primera puede ocurrir de n maneras, entonces existen k + n maneras en las cuales puede
ocurrir la primera o la segunda situaci
on.
El principio de suma tambien puede ser aplicado reiteradamente.
Problema 8. En una tienda hay cinco modelos de pantalon, ocho de camisa y cuatro de zapatos. Cuantas
maneras hay de comprar dos objetos con nombres distintos?
I Hay tres casos posibles: Compramos pantalon y camisa; pantalon y zapatos o camisa y zapatos. Es facil
calcular el n
umero de maneras de cada caso: 5 8 = 40 para el primero, 5 4 = 20 para el segundo
y 8 4 = 32 para el tercero. En total hay 40 + 20 + 32 = 92 maneras de comprar dos objetos con
nombres distintos. J
Problema 9. Cuantos n
umeros de a lo sumo tres cifras se pueden formar con los dgitos 3, 4, 7 y 8?
I Los numeros que vamos a formar pueden tener una, dos o tres cifras. Veamos por separado cuantos hay
de cada tipo y luego sumamos los resultados, de acuerdo al principio de la suma. Es claro que de una
cifra hay 4. En el caso de dos cifras la primera puede ser cualquiera de los cuatro dgitos, y la segunda
tambien. Por lo tanto hay 4 4 = 16 n umeros de dos cifras. De manera similar, hay 4 4 4 = 64. En
total tenemos 4 + 16 + 64 = 84 n umeros de tres o menos cifras formados con los dgitos 3, 4, 7 y 8. J
2.2. N
umero de subconjuntos de un conjunto finito.
Sea C = {c1 , c2 , . . . cn } un conjunto de n elementos. Denotaremos por P(C) la familia de todos los
subconjuntos de C y lo llamaremos el conjunto de partes de C.
Por ejemplo, si C = {c1 , c2 , c3 }, la familia P(C) consta de los siguientes conjuntos:
(vaco es un subconjunto de C)
{c1 }; {c2 }; {c3 } (subconjuntos con 1 elemento)
{c1 , c2 }; {c1 , c3 }; {c2 , c3 } (subconjuntos con 2 elementos)
{c1 , c2 , c3 } (subconjunto con 3 elementos)
en el cual aparecen los elementos de cada subconjunto. Sin embargo, a los efectos del razonamiento posterior,
supondremos que los elementos del conjunto C estan ordenados de alguna manera arbitraria, que es aquella
en la cual los describimos inicialmente.
En el ejemplo anterior, como el conjunto inicial tena solo tres elementos, resulto facil escribir explcita-
mente los subconjuntos y contarlos, pero en general esto no va a ser posible. Por lo tanto queremos un
metodo que nos permita hallar este n umero de manera mas sencilla. Una posibilidad que resulta practica
para calcular el numero de conjuntos de la familia P(C), que denotaremos ]P(C), es la siguiente. Supon-
gamos entonces que C = {c1 , c2 , . . . , cn }, vamos tomando uno a uno todos los elementos de C de manera
ordenada y decidimos en cada caso si lo incluimos o no en el subconjunto que construimos.
Podemos pensar, entonces, que construir un subconjunto equivale a asignarle a cada elemento un n umero:
le asignamos el 1 si lo incluimos en el subconjunto y el 0 si no lo incluimos. Es decir, que construir todos los
subconjuntos de C es equivalente a construir todas las n-uplas de ceros y unos:
(a1 , a2 , . . . , an ) (ai = 0 o 1)
An = {(a1 , a2 , . . . , an ) : ai = 0 o 1} ,
correspondencia que asocia a cada subconjunto M C la n-upla que tiene un 1 en el lugar i s, y solo s,
ci M .
Por ejemplo, en el caso del conjunto C = {c1 , c2 , c3 } de 3 elementos, si M = {c1 } la terna que le
corresponde es (1, 0, 0); si en cambio M = {c2 , c3 } la terna que le corresponde es (0, 1, 1) mientras que a
M = {c1 , c3 } le corresponde (1, 0, 1).
Por lo tanto, basta contar cuantas n-tuplas hay en An y esto es sencillo.
Para n = 1 es claro que An tiene 2 elementos:
(0); (1)
Para n = 2 tenemos 4:
(0, 0); (0, 1); (1, 0); (1, 1)
Para n = 3 tenemos 8:
(0, 0, 0); (0, 1, 0); (1, 0, 0); (1, 1, 0)
(0, 0, 1); (0, 1, 1); (1, 0, 1); (1, 1, 1)
y en general, si tenemos la familia An1 , por cada (n 1)-upla que esta contiene podemos fabricar 2 de An ,
seg
un agreguemos un 0 o un 1 como u ltima coordenada, y de este modo fabricamos todas las n-uplas de An
una sola vez. O sea que:
]An = 2(]An1 ) (n 2) ,
donde ]An representa el n
umero de elementos del conjunto An . Un sencillo argumento de induccion nos dice
que
]An = 2n
y por lo tanto
]P(C) = 2n .
I Para cada lanzamiento hay dos resultados posibles. Para cada resultado posible del primer lanzamiento
hay dos del segundo, lo cual da 2 2 combinaciones para los dos primeros. Para cada una de estas hay
otros dos resultados posibles del tercero. En total hay 2 2 2 = 23 = 8 sucesiones distintas. J
Problema 11. Cuantos n
umeros de exactamente cuatro cifras se pueden formar con los dgitos impares?
I Tenemos cinco dgitos impares: 1, 3, 5, 7 y 9. La cifra que corresponde a las unidades puede ser
cualquiera de estas cinco. Lo mismo para las decenas, las centenas y las unidades de mil. Por lo tanto
hay 5 5 5 5 = 54 = 625 numeros de cuatro cifras, todas impares. J
Problema 12. Cuantas palabras de tres letras (con o sin sentido) pueden formarse con las letras de la
palabra AZUL?
I Para cada una de las letras de la palabra que queremos formar tenemos cuatro que podemos escoger.
Por lo tanto hay 43 = 64 palabras. J
Los tres problemas anteriores tienen caractersticas similares. Utilizando los m elementos de un conjunto
C (los cinco dgitos impares, los dos resultados de lanzar una moneda, las cuatro letras de la palabra AZUL),
queremos formar sucesiones de longitud n (cuatro, tres y cuatro, respectivamente) permitiendo que los
elementos se repitan y queremos contar el n umero de maneras de hacer esto. El resultado es mn . Veamos
como se puede deducir esto en general.
Consideremos un conjunto de m elementos con la notacion C = {c1 , c2 , . . . , cm }. Veamos el conjunto de
n-uplas o vectores de dimension n que podemos formar con los elementos del conjunto C, permitiendo que
los elementos se repitan, es decir,
Xn = {(ci1 , ci2 , . . . , cin ) : cij C, j = 1, . . . , n}
Por ejemplo, el conjunto An considerado en la seccion 2.2 de las n-uplas de ceros y unos corresponde a tomar
C = {0, 1}. Si en cambio C = {0, 1, 2} y n = 3, entonces Xn consiste de las siguientes ternas:
(0, 0, 0); (0, 0, 1); (0, 0, 2); (0, 1, 0); (0, 1, 1); (0, 1, 2); (0, 2, 0); (0, 2, 1); (0, 2, 2)
(1, 0, 0); (1, 0, 1); (1, 0, 2); (1, 1, 0); (1, 1, 1); (1, 1, 2); (1, 2, 0); (1, 2, 1); (1, 2, 2)
(2, 0, 0); (2, 0, 1); (2, 0, 2); (2, 1, 0); (2, 1, 1); (2, 1, 2); (2, 2, 0); (2, 2, 1); (2, 2, 2)
Hay que tener en cuenta que, al contrario de lo que sucede en el caso de los subconjuntos, el orden en el
cual aparecen las componentes es determinante para las n-uplas. As, el par (c1 , c2 ) es distinto a (c2 , c1 ).
Para calcular el n
umero de elementos de Xn , llamado variaciones (o arreglos) con repeticion de m ele-
mentos tomados de n en n, procedemos exactamente igual que en la seccion anterior, cuando contamos el
n
umero de n-uplas de ceros y unos, solo que ahora, en lugar de ceros y unos, la n-upla esta formada a partir
de los elementos de C, que son m. Repitiendo el razonamiento anterior resulta que
]Xn = mn .
Problema 13. Si lanzamos un dado cuatro veces, cuantos resultados posibles hay?
I Para cada lanzamiento hay seis resultados posibles. Como lanzamos el dado cuatro veces el resultado
es 64 = 1.296.
Si usamos la notacion anterior, C = {1, 2, 3, 4, 5, 6}, m = 6 y n = 4. J
Problema 14. En una cuadra hay cinco casas. Hay tres colores para escoger la pintura de cada una de ellas.
De cuantas maneras puede pintarse el conjunto de las cinco?
I 35 = 243. J
36 CAPITULO 2. TEORIA COMBINATORIA
Problema 16. Se colocan veinte tarjetas numeradas de 1 a 20 en una bolsa para rifar tres premios. De
cuantas maneras se pueden repartir los premios?
I El primer premio puede ser cualquiera de los veinte n umeros. Seleccionado este, el segundo puede ser
cualquiera de los 19 restantes, y el tercero cualquiera de los 18 que quedan luego de seleccionar primero
y segundo. En total hay 20 19 18 = 6840. J
De nuevo, a medida que vamos seleccionando cada n umero premiado, el conjunto a partir del cual podemos
escoger el siguiente cambia.
Veamos como podemos calcular este n umero en general. Consideremos de nuevo un conjunto de m
elementos con la notacion C = {c1 , c2 , . . . , cm }. Veamos ahora el conjunto de n-uplas o vectores de dimension
n que podemos formar con los elementos del conjunto C, impidiendo que los elementos se repitan, es decir,
cuando consideramos el conjunto
Yn = {(ci1 , ci2 , . . . , cin ) : cij C, j = 1, . . . , n, cij distintos 2 a 2}.
El numero de elementos de Yn se llama las variaciones (o arreglos) de m elementos tomados de n en n y se
denota Vnm . Con frecuencia decimos arreglos sin repeticion, o simplemente variaciones. Cuando no digamos
nada se sobreentendera que son sin repeticion.
Por ejemplo, supongamos que C = {c1 , c2 , c3 , c4 } de modo que m = 4 y sea n = 3. Es facil verificar que
la lista siguiente contiene todos los elementos de Yn sin que figuren repetidos:
(c1 , c2 , c3 ); (c1 , c2 , c4 ); (c1 , c3 , c2 ); (c1 , c3 , c4 ); (c1 , c4 , c2 ); (c1 , c4 , c3 )
(c2 , c1 , c3 ); (c2 , c1 , c4 ); (c2 , c3 , c1 ); (c2 , c3 , c4 ); (c2 , c4 , c1 ); (c2 , c4 , c3 )
(c3 , c1 , c2 ); (c3 , c1 , c4 ); (c3 , c2 , c1 ); (c3 , c2 , c4 ); (c3 , c4 , c1 ); (c3 , c4 , c2 )
(c4 , c1 , c2 ); (c4 , c1 , c3 ); (c4 , c2 , c1 ); (c4 , c2 , c3 ); (c4 , c3 , c1 ); (c4 , c3 , c2 )
En consecuencia se observa que V34 = 24.
Para obtener una formula general para Vnm procedemos inductivamente en n. Antes que nada observamos
que necesariamente se tiene que n m, ya que si n > m, cualquier n-upla de elementos de C tendra elementos
repetidos. Comencemos con n = 1. Es claro que tenemos m 1-uplas que son:
(c1 ); (c2 ); . . . (cm )
y por lo tanto
V1m = m.
Supongamos ahora que n = 2. Tenemos:
(c1 , c2 ); (c1 , c3 ); . . . (c1 , cm )
(c2 , c1 ); (c2 , c3 ); . . . (c2 , cm )
.. .. .. ..
. . . .
(cm , c1 ); (cm , c2 ); . . . (cm , cm1 )
2.5. PERMUTACIONES. 37
que son m(m 1) pares que se obtienen agregando a cada uno de los m elementos de C colocados en primer
termino, uno de los (m 1) elementos restantes (recordar que no hay repeticiones!). Por lo tanto
Para tener una formula general para Vnm , procedemos inductivamente en n, ya que el razonamiento anterior
puede generalizarse sin dificultad como sigue:
Supongamos que tenemos todas las (n 1)-uplas (sin repeticion). Como fabricamos las n-uplas sin
repeticion? Tomamos una (n 1)-upla y le agregamos al final uno de los (m (n 1)) elementos de C que
no figuran en ella, de modo que, por cada (n 1)-upla podemos fabricar (m (n 1)) n-uplas. De esta
forma hemos fabricado todas las n-uplas de Yn sin repetir ninguna. Por lo tanto
Vnm = (m n + 1)Vn1
m
(n m). (2.1)
m!
Vnm = m(m 1) (m n + 1) = (2.2)
(m n)!
Problema 17. En una carrera de formula 1 participan 26 corredores. Los cinco primeros ganan puntos seg un
la posicion que ocupen (9 puntos al primero, 6 al segundo, etc.) De cuantas maneras pueden repartirse los
puntos?
2.5. Permutaciones.
Un caso particular de variaciones son las permutaciones, que corresponden a la situacion m = n. En este
caso Vmm = m! = m(m 1)(m 2) 2 1. Observamos que ahora las m-uplas contienen todos los elementos
de C, sin repeticion, dispuestos en todos los ordenes posibles.
Por ejemplo, si m = n = 3 las permutaciones son:
Claramente V33 = 6.
Tambien se emplea con frecuencia para las permutaciones la notacion
Pm = Vmm = m!
Problema 18. De cuantas maneras podemos colocar cuatro bolas de distintos colores en fila?
I La primera puede ser cualquiera de las cuatro. La segunda, cualquiera de las tres restantes, etc. La
respuesta es 4 3 2 1 = 4! = 24. J
Problema 19. Cuantas palabras, con o sin sentido, pueden obtenerse usando todas las letras de la palabra
PRENSA?
I Como la palabra no tiene letras repetidas, la respuesta es 6! = 720. Mas adelante nos encontraremos
la situacion de palabras con letras repetidas. J
38 CAPITULO 2. TEORIA COMBINATORIA
2.6. Combinaciones.
Problema 20. De un grupo de treinta estudiantes queremos escoger dos para participar en una competencia.
De cuantas maneras podemos hacerlo?
I El primer estudiante del par puede ser cualquiera de los treinta y, una vez escogido este, el segundo
puede ser cualquiera de los veintinueve restantes. Pero de esta manera hemos contado cada pareja dos
veces, cuando A es el primero y B el segundo, y cuando B es el primero y A el segundo. Por lo tanto
tenemos que dividir este numero entre dos. La respuesta es 3029
2 = 435. J
Problema 21. De un grupo de veinticinco libros queremos escoger tres para leer durante las vacaciones.
De cuantas maneras podemos hacer esto?
I Hacemos un razonamiento similar al del problema anterior. Primero contamos cuantos tros ordenados
de libros podemos formar y luego dividimos entre el n umero de ordenamientos posibles de cada tro. El
umero de tros ordenados son las variaciones de 25 elementos tomados de 3 en 3: V325 = 25 24 23 =
n
13.800. Cada tro lo podemos ordenar de 3! = 6 maneras. Por lo tanto la respuesta es
V525 13.800
= = 2, 300.
3! 6
J
Problema 22. En un juego de domino, de cuantas maneras podemos escoger una mano?
I Una mano consiste de siete piedras sin importar su orden. La primera puede ser cualquiera de las
28 que forman el juego. Escogida esta, hay 27 para escoger la segunda, luego 26 para la tercera, y
as sucesivamente hasta escoger las siete. En total: V728 = 28272625242322 = 5.967.561.600.
Pero cada mano ha sido contada varias veces, dependiendo del orden en el cual la escogimos. Por lo
tanto tenemos que dividir por el n umero de maneras de ordenar una mano, que es 7! = 5040, y la
respuesta es
V728 5, 967, 561, 600
= = 1, 184, 040
7! 5040
J
Veamos como podemos resolver este tipo de problemas en general. Consideramos nuevamente un conjunto
C = {c1 , c2 , . . . , cm } con m elementos. Llamamos combinaciones de m elementos tomados de n en n al n
umero
de subconjuntos de C que constan de n elementos. Se entiende que 0 n m y se denota dicho n umero por
m
o tambien Cnm .
n
umero de n-uplas ordenadas Vnm que se pueden formar con los elementos de C. Es
Ya sabemos calcular el n
claro que cada subconjunto de C con n elementos da lugar a n! n-uplas ordenadas - tantas como maneras
tenemos de ordenar los n elementos del subconjunto - y por lo tanto
m m
Vn = n! (2.3)
n
Reemplazando Vnm por su valor (formula (2.2)), resulta
m m!
= . (2.4)
n (m n)!n!
Observamos que m 0 = 1 para cualquier valor de m. Los n umeros mn se conocen como numeros combina-
torios. Estudiaremos algunas de sus propiedades mas adelante. Veamos primero algunos problemas.
Problema 24. En una practica de Baloncesto el entrenador quiere escoger un equipo de cinco entre los
treinta jugadores que estan entrenando. De cuantas maneras puede hacerlo?
2.6. COMBINACIONES. 39
30 30! 17,100,720
I 5 = 25! 5! = 120 = 142, 506 J
Problema 25. Un estudiante tiene seis libros y otro tiene nueve. De cuantas maneras pueden intercambiar
tres libros?
I El primer estudiante puede escoger tres libros de 63 maneras mientras que el segundo puede hacerlo
de 93 . Por lo tanto, el n
umero de intercambios posibles es 63 93 = 1.120. J
I Como no nos
importa en orden en el cual escogemos los 15 n
umeros la respuesta es el n
umero combi-
natorio 25
15 = 25!
15! 10! = 3, 268, 760.
Una observacion importante es que seleccionar los 15 n umeros que estan en el carton es equivalente
a
umero combinatorio 25
seleccionar los 10 que no estan. Por lo tanto la respuesta tambien es el n 10 =
25!
10! 15! = 3, 268, 760. Esta es una propiedad general que enunciamos a continuaci on. J
Problema 28. Tenemos tres bolas indistinguibles y 20 cajas. De cuantas maneras podemos colocar las
bolas en las cajas de modo que no haya mas de una bola en cada caja?
I Podemos enumerar las cajas del 1 al 20 y ahora el problema se reduce a seleccionar subconjuntos de tres
elementos del conjunto {1, 2, . . . , 20}, que representan las cajas que van a estar ocupadas. Ya sabemos
que esto lo podemos hacer de
20
= 1, 140
3
maneras distintas. J
El problema anterior muestra que si tenemos objetos de dos tipos y queremos colocar k objetos de tipo 1 y
n k de tipo 2 en fila, tenemos nk maneras de hacerlo, pues podemos pensar que los lugares de la fila estan
numerados y que el problema consiste en contar el n umero de subconjuntos de k elementos del conjunto
{1, 2, . . . , n}.
2.6.1. Propiedades.
m
Propiedad 1. mn = mn .
Demostraci
on. A partir de la definicion tenemos
m m! m
= = .
n n!(m n)! mn
Como ejercicio, de una demostracion sin calcular, utilizando solamente la definicion de combinacion.
Propiedad 2. (Relacion de Pascal)
m m1 m1
= + (1 n m 1). (2.5)
n n1 n
40 CAPITULO 2. TEORIA COMBINATORIA
2.7. El Tri
angulo de Pascal.
La propiedad 2 sirve para construir un arreglo de n umeros con propiedades u tiles e interesantes, que se
conoce como el triangulo de Pascal. Supongamos
que para un cierto valor de m conocemos los valores de
todos los numeros combinatorios de la forma m , 0 n m, entonces la relaci
o n (2.5) nos permite calcular
n
umeros combinatorios m+1
los valores de los n n , 0 n m + 1:
m+1 m m
= + .
n n1 n
Por
0 lo tanto, de manera recursiva podemos obtener todos los n umeros combinatorios.
1 1 Comenzamos con
0 = 1, al cual colocamos en el centro de la p
a gina. Los siguientes dos son 0 = 1 y 1 = 1, que colocamos
debajo, a ambos lados del 1 que habamos colocado inicialmente, de modo que este quede en el centro del
espacio que separa los dos n
umeros nuevos, como se ve en la figura 2.3.
1
1 1
Figura 2.3
......
1 .....
..... ...... ..... .......
.... 1 . .. 1
................... ......................
.... ....
1 2 1
Figura 2.4
Veamos como se construye la fila que corresponde a m = 3. Los extremos ambos valen 1: 30 = 33 = 1.
El resto de los espacios
los llenamos sumando
en cada caso los dos valores que se encuentran por encima del
espacio en cuestion: 31 = 1 + 2 = 3, 32 = 2 + 1.
Si continuamos este proceso inductivamente obtenemos el triangulo que se indica en la figura 2.6, conocido
como triangulo de Pascal.
La fila j tiene j + 1 n umeros combinatorios ji , para 0 i j, es decir
umeros, que corresponden a los n
j
que cada fila comienza por el numero combinatorio 0 . Observamos, en consecuencia, que el n umero que
2.7. EL TRIANGULO DE PASCAL. 41
1
1 1
................ ..
...... ........
..
...... ........
..... 1 . ... 2 . ... 1 .
................... .......................... ......................
.... .. .... ..
1 3 3 1
Figura 2.5
j=0 1
j=1 1 1
j=2 1 2 1
j=3 1 3 3 1
j=4 1 4 6 4 1
j=5 1 5 10 10 5 1
j=6 1 6 15 20 15 6 1
j=7 1 7 21 1 35 35 21 7
j=8 1 8 28 56 70 56 28 8 1
j=9 1 9 36 84 126 126 84 36 9 1
umero combinatorio ji , por ejemplo, para hallar 74 buscamos
aparece en el lugar i + 1 de la fila j, es el n
7
el lugar 5 de la fila 7 obtenemos 4 = 35.
Otra manera de construir el triangulo es la siguiente. Cambiamos los numeros por puntos o nodos, como
se indica en la figura 2.7.
1
..
.....
... ..
... ......
........
.
. . .
.... ..... ...... ......
...
......
... ...... ....
.
.. .
......... .
. ..
... ...... ..... ........... .....
.
.... ...
... ...
.......
..
.. ...
. ..
.
...
.......
... ..... .... ..... .... ..... ...... ...... ..
.
. .
......
..
....
... ...
........ ...... ..... .....
.
... ..
. .
.. ... .
.. ...
... ...... ...... ..... ..... ..... ..... ..... ...... ......
. .
... ...
. ....
.......
... ....... ...... ......
.
..
......... ..
. . .
......
.
. . ..
... ..... ...... ..... ..... ..... ..... ...... ...... ..... ....... .....
. .
.. .
.
. ..
. .. . ......
... ....
........ .... .
.
... ... ...... . ..
......
.
..
...
... ...
... ..... ...... ...... ..... ...... ..... ..... ..... ..... ..... ...... ..... .....
. . ..
....... .
. ..
.
.... .. .....
.
... ...
........ ..... ....... ....... ..... ...... ....... .....
.
..
..
... ....
.
... ....
... ....
.. ..... .... ..... .... ..... .... ..... .... ..... ...... ..... .... ..... .............
.
... ....
. . ... ....
. .
... ....
... ...... ...
........ ...... .... ......
.
.
. . .. .....
.
.
. . . .....
.
.
. .. . .
.
. . . . .
....
.
.. .
..
.... ..... ..... ...... .... ..... ...... ..... .... ..... ...... ..... ...... ...... ....... ..... ....... .....
.
....
.
. . .
. ..
.
. .
.
.. ......
.
.
.. .. . .
.... ...
... . .. .. . .. . .. .. . .. . .. .
..
Figura 2.7
Veamos una propiedad interesante del triangulo de Pascal. Si evaluamos la suma de los n umeros en cada
fila obtenemos 1, 2, 4, 8, 16, 32, 64, 128, etc. Parece natural la conclusion de que la suma de la n-esima fila
es 2n . Esto es cierto y podemos probarlo por induccion. Sabemos que es cierto para las primeras filas. Para
probar el paso inductivo observamos que cada n umero de la n-esima fila es sumando para formar dos n umeros
42 CAPITULO 2. TEORIA COMBINATORIA
1.
1..................1
......
1...................2 ..
..... .
........
... ......1
...
. ........ ..
.
. ....... . ........
1....... ......3
.
........
... .....3..... ......1
. .
......
1. .................4.................6...............4.................1.
... ..
. . . . .. .....
Figura 2.8
de la siguiente fila: los que estan por debajo de el, a ambos lados. Por lo tanto la suma de los n
umeros de la
fila n + 1 es dos veces la suma de los n umeros de la fila anterior. Esto completa el paso inductivo.
Si escribimos esta relacion explcitamente obtenemos la siguiente identidad:
m m m m
+ + + + = 2m . (2.6)
0 1 m1 m
En realidad, ya hemos visto una demostracion combinatoria de esta identidad. El lado derecho representa
el n
umero de subconjuntos de un conjunto con m elementos. Por otro lado, el n umero combinatorio m n
representa el n
umero de subconjuntos de n elementos que se pueden formar a partir de un conjunto de
m elementos. La identidad anterior dice que el n
umero total de subconjuntos es igual a la suma de los
subconjuntos de 0 elementos mas el n
umero de subconjuntos de 1 elemento mas . . . mas el n umero de
subconjuntos de m elementos.
(a + b)0 = 1,
(a + b)1 = a + b,
(a + b)2 = a2 + 2ab + b2 ,
(a + b)3 = a3 + 3a2 b + 3ab2 + b3 .
Observamos que los coeficientes de las expresiones que estan del lado derecho corresponden a los valores del
triangulo de Pascal. Esto sugiere la siguiente identidad:
m m m m m1 m m2 2 m m1 m m
(a + b) = a + a b+ a b + + ab + b .
0 1 2 m1 m
Xm
m k mk
= a b .
k
k=0
2.8. EL BINOMIO DE NEWTON. 43
Haremos la demostracion de esta formula por induccion completa en m. Observe que el segundo miembro
contiene (m + 1) sumandos. Para m = 1, queda
1 1 0
1 1 0 1
(a + b) = a b + a b = a + b,
0 1
Xm
m+1 m m k mk
(a + b) = (a + b)(a + b) = (a + b) a b
k
k=0
Xm m
m k+1 mk X m k mk+1
= a b + a b
k k
k=0 k=0
X m
m1 m
X m k mk+1
m+1 k+1 mk m+1
=a + a b +b + a b . (2.7)
k k
k=0 k=1
Vamos a reemplazar esta expresion en (2.7), pero para mantener la uniformidad en la expresion y simplificarla
mas facilmente, usaremos el ndice k en lugar de j. Obtenemos
Xm Xm
m m k mk+1
(2.7) = am+1 + ak bmk+1 + bm+1 + a b
k1 k
k=1 k=1
Xm
m m
= am+1 + + ak bmk+1 + bm+1 .
k1 k
k=1
y reemplazando resulta
m
X m+1
X
m m+1 m + 1 k mk+1 m+1
(a + b) =a + a b +b = ak bmk+1
k
k=1 k=0
que muestra que la formula es correcta cuando el exponente es m + 1. Por el principio de induccion sabemos
entonces que la formula es valida para todo m.
Como caso particular de la formula del binomio de Newton podemos obtener de nuevo la identidad (1.6).
Basta tomar a = b = 1 para obtener
Xm
m
2m = .
k
k=0
44 CAPITULO 2. TEORIA COMBINATORIA
maneras de hacerlo.
Supongamos ahora que tenemos m tipos distintos de objetos y queremos colocar en fila k1 objetos de
tipo 1, k2 de tipo 2, . . . , km de tipo m, con k1 + k2 + + km = n y 0 ki n para i = 1, 2, . . . , m. De
cuantas maneras podemos hacer esto?
Supongamos que podemos distinguir los n objetos, no solo los de distintos tipo sino tambien los del mismo
tipo. Entonces tendramos n! arreglos posibles de los n objetos. Pero como en realidad los objetos de Tipo 1
son indistinguibles, cualquier permutacion de estos objetos produce resultados que son indistinguibles. Como
hay k1 ! arreglos de los objetos de tipo 1 en la fila, debemos dividir n! por k1 !. Otro tanto ocurre con los
objetos de tipo 2: Si los permutamos, obtenemos filas que son indistinguibles, de modo que tambien hay que
dividir por k2 !. De manera similar debemos dividir por k3 !, k4 !, . . . , km !, de modo que el n
umero de filas es
n!
.
k1 !k2 ! km !
Usaremos la notacion
n
k1 , k2 , . . . , km
para estos n
umeros, que llamaremos coeficientes multinomiales.
Por ejemplo, si tenemos las letras a, b, b, c, c De cuantas maneras podemos ordenarlas? La respuesta es
5
= 30.
1, 2, 2
Existe una relacion entre los coeficentes multinomiales y el desarrollo de expresiones del tipo
(x 1+ +
n
xm )n que es similar a la de los coeficientes binomiales y el binomio de Newton: El n umero k1 ,...,k m
es el
coeficiente de xk11 xkmm en el desarrollo de (x1 + + xm )n .
Para ver esto consideremos como se forma un termino como xk11 xkmm en esta multiplicacion. Si consi-
deramos la expresion
(x1 + + xm )(x1 + + xm ) (x1 + + xm ) (2.8)
los distintos terminos se obtienen seleccionando una variable de cada factor en (2.8). Hay n factores y
queremos seleccionar k1 veces a x1 , a x2 , k2 veces y as sucesivamente hasta xn que lo queremos seleccionar
kn veces, y ya sabemos que esto lo podemos hacer de
n
(2.9)
k1 , k2 , . . . , km
maneras distintas. Por lo tanto (2.9) es el coeficiente del termino xk11 xkmm en el desarrollo de (x1 + +xm )n .
Como ejemplo podemos escribir el desarrollo del cubo de la suma de tres terminos:
7. Supongamos que tenemos 3 cajas numeradas y 4 bolas indistinguibles. De cuantas maneras podemos
colocar las 4 bolas en las tres cajas?
I Procedamos graficamente, representando cada caja como la parte limitada por dos barras verticales.
Por ejemplo, en la configuracion de la figura tenemos 3 bolas en la primera caja, 0 bolas en la segunda
y 1 bola en la tercera.
| | | |
1 2 3
Un instante de reflexion muestra que tenemos la situacion siguiente: hay 4 bolas y 4 barras, que se
disponen una a continuacion de la otra en 8 lugares y cada configuracion queda determinada por
el lugar que asignamos a las dos barras centrales entre los 6 lugares que podemos elegir para ellas,
teniendo en cuenta que las barras de los extremos estan obligadas a quedar all. Es decir, el problema
se reduce a decidir de cuantas maneras se pueden colocar dos barras en seis espacios, y esto es 62 .
J
8. Generalizar el ejemplo anterior al caso en que tenemos b bolas y n cajas.
I El resultado que se obtiene aplicando el mismo razonamiento es:
n+b1 n+b1
=
n1 b
J
9. De cuantas maneras podemos escoger las cuatro manos en un juego de domino?
I Por el resultado del problema 22 en la seccion 2.6 sabemos que hay 1,184,040 maneras de escoger una
mano de siete piedras. Veamos de cuantas maneras podemos escoger las cuatro manos que forman el
punto de inicio de una partida de domino. Una
vez escogida la primera mano, nos quedan
14 21 piedras
para escoger la segunda, y por lo tanto hay 21 7 = 116, 280. Para la tercera tenemos 7 = 3, 432 y la
u
ltima esta formada por las siete piedras que quedan. Por el principio de multiplicacion la respuesta
es el producto de estos n
umeros:
1, 184, 040 116, 280 3, 432 1 = 472, 518, 347, 558, 400
J
10. Un carton de BINGO esta formado por cinco columnas de n umeros, una para cada letra de la palabra
BINGO. Cada columna tiene cinco n umeros, excepto la central, correspondiente a la letra N, que tiene
solo cuatro ya que el lugar central no participa en el juego. Los cinco n umeros de la primera columna
se escogen entre los primeros 15 enteros: 1, 2, . . . , 15, los de la segunda entre los enteros 16, 17, . . . , 30 y
as sucesivamente hasta la u
ltima columna, para la cual escogemos los cinco n umeros entre 61, 62, . . . 75.
Cuantos cartones distintos de BINGO hay, suponiendo que el orden en el cual aparecen los n umeros
en cada columna no es importante?
I Veamos en primer lugar, de cuantas maneras podemos escoger los cinco n umeros de la primera columna,
suponiendo que el orden de los n umeros que aparecen en ella no importa. En este caso tenemos que
escoger un subconjunto de 5 n
umeros a partir de un conjunto que tiene 15, de modo que la respuesta
umero combinatorio 15
es el n 5 = 3, 003. Los resultados para las columnas correspondientes a las letras
I, G y O son iguales, la u
nica diferencia esta en la columna central, correspondiente a la letra N. En
este
15 caso solo escogemos cuatro numeros a partir de los 15 disponibles, de modo que la respuesta es
4 = 1, 365
2.10. PROBLEMAS RESUELTOS. 47
Ahora, por el principio de multiplicacion, debemos multiplicar estos resultados para obtener la respues-
ta:
3, 0034 1, 365 = 111, 007, 923, 832, 370, 565
J
11. En el problema anterior consideramos que el orden de los n umeros en el carton de BINGO no importaba.
Esto es cierto si estamos jugando a carton lleno, pero en muchos otros juegos, como las cuatro esquinas,
la X, etc. s importa el lugar en el cual aparece cada n
umero. Si tomamos en cuenta el orden, cuantos
cartones distintos de BINGO hay?
I Podemos aprovechar el calculo que realizamos en el problema anterior si observamos que tenemos que
multiplicar el resultado anterior por el n
umero de maneras de ordenar los n umeros que aparecen en
cada carton. Este ordenamiento debemos hacerlo respetando las restricciones de cada columna, es decir,
en la primera solo pueden aparecer numeros comprendidos entre 1 y 15, en la segunda entre 16 y 30,
etc. Por lo tanto, para cada una de las columnas correspondientes a las letras B, I, G, y O tenemos
cinco n
umeros y 5! = 120 ordenes posibles. En la columna central hay solo cuatro n umeros y por lo
tanto 4! = 24 maneras de ordenarlos. En conclusion debemos multiplicar el resultado del problema
anterior por 1204 24 = 4.976.640.000:
que forma la base del triangulo de Pascal. Usamos esta propiedad para escribir el segundo sumando
del lado derecho como
m1 m2 m2
= + .
n n1 n
Si sustituimos esta expresion en (2.11) y repetimos este procedimiento obtenemos
m m1 m1
= +
n n1 n
m1 m2 m2
= + +
n1 n1 n
m1 m2 m3 m3
= + + +
n1 n1 n1 n
= ...
y el resultado final es
m m1 m2 n n
= + + + +
n n1 n1 n1 n
48 CAPITULO 2. TEORIA COMBINATORIA
y teniendo en cuenta que nn = n1 n1 obtenemos la expresion (2.10). Para ver que interpretacion tiene
esto en relacion al triangulo de Pascal veamos un caso particular: m = 7, n = 4. La relacion anterior
nos dice que
7 6 5 4 3
35 = = + + + = 20 + 10 + 4 + 1.
4 3 3 3 3
Si observamos la ubicacion de estos n
umeros en el triangulo obtenemos
m=0 1
m=1 1 1
m=2 1 2 1
.........
.... .....
m=3 1 3 3 ... 1 .
.
.... + .....
... ...
m=4 1 4 6 .....
4 ..... 1
.. ..
... + .....
... .
m=5 1 5 10 ...
10 ... 5 1
..... .....
... +.....
m=6 1 6 15 .....
20 .. 15 6 1
.................
..............
. .
m=7 1 7 21 35 .... ....
35 21 7 1
............
m=8 1 8 28 56 70 56 28 8 1
m=9 1 9 36 84 126 126 84 36 9 1
Figura 2.9
13. Dos cajas contienen 2n bolas cada una, numeradas de 1 hasta 2n. Se selecciona un conjunto de n bolas
de cada caja. Calcular el n
umero de maneras de hacer esto de modo que ambos conjuntos tengan, a lo
sumo, una bola con el mismo n umero.
I Utilicemos la siguiente notacion:
{i1 , . . . , in } es el conjunto de bolas extradas de la primera caja.
{j1 , . . . , jn } es el conjunto de bolas extradas de la segunda caja.
Es claro que los elementos de {i1 , . . . , in } son 2 a 2 distintos, y lo mismo sucede para {j1 , . . . , jn }.
Observamos,
aunque no forma parte de la pregunta, que el2ntotal de extracciones posibles de la primera
caja es 2n
n y que, por cada una de
e stas, podemos tener n extracciones de la segunda caja, de modo
que el total de extracciones de parejas de conjuntos {i1 , . . . , in }, {j1 , . . . , jn } es
2
2n
.
n
Veamos ahora la respuesta a la pregunta formulada. El n umero de maneras de que ambos conjuntos
contengan, a lo sumo, una bola con el mismo n
umero, es la suma del n
umero de maneras de que no con-
tengan ning
un n umero en comun mas el n
umero de maneras de que contengan en comun exactamente
un n
umero.
Cuantas extracciones podemos efectuar, de tal modo que {i1 , . . . , in } y {j1 , . . . , jn } no contengan
ning
un n umero en com un?
Tenemos libertad en la seleccion de {i1 , . . . , in }, que puede ser hecha de 2n n maneras. Por cada elecci on
de {i1 , . . . , in } en cambio, hay una sola eleccion de {j1 , . . . , jn } que produce el efecto deseado de que
ambos conjuntos no contengan ning un n umero en com un, que es la eleccion de los n n umeros del
conjunto total {1, 2, . . . , 2n} que no figuran en {i1 , . . . , in }. En consecuencia tenemos
2n
(2.12)
n
2.11. APLICACIONES A PROBABILIDAD 49
maneras de elegir los subconjuntos {i1 , . . . , in } (de la primera caja) y {j1 , . . . , jn } (de la segunda) de
modo que no tengan ning un elemento en com un
Cu antas extracciones podemos efectuar, de tal modo que {i1 , . . . , in } y {j1 , . . . , jn } contengan exac-
tamente un n umero en com un?
2n
Nuevamente, hay n maneras de elegir la extraccion {i1 , . . . , in } de la primera caja. Hecha esta, debe-
mos contar cuantas formas tenemos de extraer {j1 , . . . , jn } de modo que en este u ltimo conjunto figure
uno y solo un elemento de {i1 , . . . , in }. Para ello procedemos as: elegimos el elemento de {i1 , . . . , in }
que debe figurar, para lo cual tenemos n alternativas. Luego elegimos los (n 1) elementos restantes de
{j1 , . . . , jn } entre los n elementos que quedan en la segunda caja cuando excluimos los de {i1 , . . . , in },
y esto lo podemos hacer de
n
=n
n1
maneras.
Resumiendo, por cada extraccion de la primera caja tenemos n2 maneras de hacer una extraccion de
la segunda
que tenga exactamente un elemento en com un con la hecha en la primera. Recordando que
hay 2nn maneras de extraer de la primera, resulta que la respuesta a nuestra segunda interrogante es
que hay
2n 2
n (2.13)
n
maneras de extraer {i1 , . . . , in } y {j1 , . . . , jn } de modo que tengan un elemento com
un. Sumando (1.5)
y (1.6) tenemos el resultado final
2n
(1 + n2 ).
n
J
o sea
m k
pk,m = p (1 p)mk
k
puesto que todas las muestras posibles se han supuesto igualmente probables. Esta funcion de probabilidad
se conoce como la Distribucion Binomial con parametros m y p. El nombre de la distribucion viene del
Binomio de Newton, que estudiamos en la seccion 2.8. Podemos usar la formula del binomio para demostrar
que, efectivamente, la expresion anterior define una probabilidad. Tenemos que verificar que, si sumamos
pk,m sobre todos los valores posibles de k, el resultado es 1.
m
X m
X m k
pk,m = p (1 p)mk
k
k=0 k=0
= (p + (1 p))m = 1.
que representa la probabilidad de obtener s peces marcados en una muestra de tama no n, si el tama
no de
la poblacion es N y hay n peces marcados, y determinamos N tal que L(N ) sea maximo. Para ello, como
se trata de una funcion discreta, no podemos usar los metodos del Calculo y consideramos una comparacion
entre valores sucesivos de la funcion L para determinar el valor que la maximiza.
Consideramos entonces
N 1N n
L(N ) (N n)2
= NnN n1
ns
= .
L(N 1) n ns
N (N 2n + s)
Si el cociente es mayor que 1, resulta L(N ) > L(N 1). Para que esto ocurra es necesario que
simplificando esta expresion obtenemos n2 > sN . En consecuencia, para N < n2 /s se tiene L(N ) > L(N 1)
y la desigualdad cambia de sentido si N > n2 /s. Por lo tanto, el valor de N que maximiza a L(N ) es el
mayor entero que no supera a n2 /s. En particular, si n = 1, 000 y s = 100 resulta
6
= 10 = 10, 000.
N
102
I Este es un caso de muestreo con reposicion: Tenemos 38 n umeros para escoger y en cada juego puede
ganar cualquiera de ellos. Si realizamos cinco juegos hay 385 resultados posibles. Para
contar de cuantas
maneras puede salir un n umero rojo exactamente dos veces observamos que hay 52 maneras de escoger
los juegos en los cuales ganan n umeros rojos. En cada uno de ellos puede ganar cualquiera de los 18
numeros rojos que tiene la ruleta, lo que nos da un total de 182 posibilidades, y en cada uno de los
juegos en los cuales no gana un n umero rojo podemos colocar cualquiera de los 20 numeros restantes,
para un total de 203 . Tenemos entonces que hay 52 182 203 maneras en las cuales pueden resultar
exactamente dos n umeros rojos ganadores en cinco juegos. La probabilidad que buscamos es, por lo
tanto 2 3 2 3
5 18 20 5 18 20
5
= .
2 38 2 38 38
Hemos podido utilizar los resultados de la seccion 2.11.1 para resolver este problema de manera mas
sencilla. Vimos all que la probabilidad de obtener exactamente k defectuosos en una muestra de tama no
m realizada con reposicion si la proporcion de defectuosos en la poblacion es p sigue una distribucion
binomial de parametros m y p:
m k
p (1 p)mk .
k
Este es exactamente el resultado que acabamos de obtener con m = 5, k = 2 y p = 18/38.
J
2. Se lanza un dado seis veces. Cual es la probabilidad de que los resultados sean todos distintos?
52 CAPITULO 2. TEORIA COMBINATORIA
I Hay 66 resultados posibles. De ellos 6! corresponden a tener en cada lanzamiento un resultado posible.
Por lo tanto la probabilidad que buscamos es
6! 5
= = 0.0154
66 324
J
3. Si colocamos al azar n fichas en n cajas, Cual es la probabilidad de que cada caja tenga exactamente
una ficha?
I Numeramos las cajas de 1 a n. Distribuir las fichas en las n cajas es equivalente a asignarle a cada
ficha el n
umero de la caja en la cual la colocamos. A cada ficha podemos asignarle cualquiera de los n
numeros, y como hay n fichas, tenemos nn distribuciones posibles. Cuantas de ellas corresponden a
tener exactamente una ficha en cada caja? Para que esto sea cierto, al hacer una lista de los n
umeros
que hemos asignado a las fichas deben estar todos los n
umeros de 1 a n sin que haya ninguno repetido.
Esto se puede hacer de n! maneras. Por lo tanto la probabilidad que buscamos es
n!
.
nn
J
4. Si colocamos al azar n fichas en m cajas, Cual es la probabilidad de que ninguna caja tenga mas de
una ficha?
I En primer lugar observamos que si hay mas fichas que cajas, es imposible hacer una distribucion sin que
haya al menos una caja con mas de una ficha. En este caso la probabilidad buscada es 0. Supongamos,
entonces que m n. Si adoptamos el mismo procedimiento que en el problema anterior, asignandole a
umero de la caja que le toca, vemos que hay mn distribuciones posibles. Veamos cuantas
cada ficha el n
hay sin que ninguna caja tenga mas de una ficha. Esto equivale a escoger una muestra de n n umeros
sin reposicion de los m que corresponden a los numeros de las cajas. Esto lo podemos hacer de Vnm
maneras, de modo que la probabilidad que buscamos es 0 si m < n y
Vnm m(m 1) . . . (m n + 1)
= si m n.
mn mn
J
5. Si colocamos al azar n fichas en m cajas, Cual es la probabilidad de que la primera caja tenga
exactamente k fichas?
I Para que esto ocurra, a exactamente k de las fichas tenemos que asignarle el n umero 1, y un n
umero
distinto de 1 al resto de las fichas. Las fichas a las cuales vamos a asignarle el n
umero 1 las podemos
escoger de nk maneras. A cada una de las n k fichas restantes podemos asignarle cualquiera de los
m 1 n umeros que no son 1, y esto lo podemos hacer de (m 1)nk maneras. La probabilidad que
buscamos es n nk
k (m 1)
n
.
m
J
6. Tenemos 100 cartas numeradas del 1 al 100. Se mezclan las cartas y luego se van volteando una a una.
Cu
al es la probabilidad de que la carta con el n
umero j aparezca en el j-esimo lugar al ser volteada?
I En este problema podemos pensar que el resultado de voltear las 100 cartas es un arreglo de 100
n
umeros entre 1 y 100, sin repetir ninguno:
Cuantos arreglos podemos formar? Hay uno por cada permutacion de los n umeros de 1 a 100, por lo
tanto hay 100! resultados posibles. Cuantos de ellos tienen una j en el lugar j? Si fijamos el n
umero
que ocupa este lugar, quedan 99 n umeros para distribuir en los 99 lugares restantes. Hay 99! maneras
de hacer esto. Por lo tanto la probabilidad buscada es
99! 1
= .
100! 100
En general, si en lugar de 100 n
umeros hay n, la probabilidad de que en el j-esimo lugar aparezca la
carta con el n
umero j es 1/n.
J
7. En el problema anterior, Cual es la probabilidad de que ninguna carta aparezca en su lugar?
I Llamemos Aj el evento que ocurre si la jesima carta aparece en su lugar. Vimos en el ejercicio anterior
que la probabilidad de este evento es 1/100. Queremos calcular la siguiente probabilidad:
y para obtener esta u ltima probabilidad podemos usar el principio de inclusion-exclusion que vimos en
la seccion 1.4 del primer captulo:
X X
P (A1 A100 ) = P (Ai ) P (Ai Aj ) + + (1)101 P (A1 A100 ). (2.14)
i i<j
El primer termino de esta ecuacion es 1 porque hay 100 sumandos y cada unos de ellos vale 1/100.
Para el segundo termino tenemos que si dos n
umeros especficos quedan fijos simultaneamente, el resto
se puede permutar de (100 2)! maneras, de modo que
(100 2)! 1
P (Ai A j) = = .
100! 100 99
Nos falta contar el n
umero de terminos en la segunda suma, quees el
numero de maneras de seleccionar
umeros enteros del 1 al 100, y esto lo podemos hacer de 100
dos n 2 maneras distintas. Por lo tanto el
segundo termino de la ecuacion (2.14) es
100 1 100 99 1 1
= = .
2 100 99 2! 100 99 2!
(100 3)! 1
P (Ai Aj Ak ) = =
100! 100 99 98
100
y hay 3 terminos en la suma, de modo que el tercer termino de (2.14) es
100 1 100 99 98 1 1
= = .
3 100 99 98 3! 100 99 98 3!
P (X = k) = q k1 p.
2.13. Resumen.
Cuando escogemos elementos que pertenecen a un conjunto decimos que realizamos un muestreo y pode-
mos hacerlo de acuerdo a diversos criterios: Con reposicion de los elementos al conjunto antes de hacer la
siguiente seleccion, o sin reposicion. Podemos tambien tener en cuenta el orden en el cual hacemos la seleccion
o no. Esto nos da cuatro posibilidades:
2.14. COMENTARIOS Y ALGO DE HISTORIA. 55
Muestreo con orden y con reposici on: Variaciones con repeticion. Si queremos seleccionar k
no n, con reposicion y en orden, lo podemos hacer de nk maneras.
elementos de un conjunto de tama
Muestreo con orden y sin reposici on: Variaciones. Si queremos seleccionar k elementos de un
conjunto de tama no n, sin reposicion y en orden, es necesario que k n y lo podemos hacer de
Vkn = n(n 1) (n k + 1) maneras. El caso particular k = n se reduce a contar los posibles ordenes
de los n elementos del conjunto, se conoce como las permutaciones de n y Vnn = n!.
Muestreo sin orden y sin reposici on: Combinaciones. Si queremos seleccionar k elementos de un
conjunto
n de tama
n o n, sin reposici
o n y sin orden, es necesario que k n y lo podemos hacer de
n!
k = n!(nk)! maneras.
Muestreo sin orden y con reposici on: Este caso no tiene un nombre particular y es el mas
complicado de los cuatro, pero ya lo hemos encontrado anteriormente, en los problemas 7 y 8 de la
seccion 2.10. Si queremos seleccionar
k elementos
n+k1de un conjunto de tama no n, con reposicion y sin
orden, esto lo podemos hacer de n+k1
n1 = k maneras. Veamos esto: podemos pensar que a cada
elemento del conjunto le asignamos una caja, de modo que en total tenemos n cajas. Tomamos ahora
k bolas y las repartimos en las cajas, sin importar si hay cajas vacas o cajas con mas de una bola.
El n
umero de bolas que hay en una caja es representa el n umero de veces que hemos seleccionado ese
elemento en la muestra. Como
n+k1 vimos en el problema 8 de la seccion 2.10, esto efectivamente se puede
hacer de n+k1
n1 = k maneras.
Ejercicios
1. Cu
antas diagonales tiene un polgono convexo de n lados?
3. Hay N ni
nas y N ni
nos en una fiesta.
a. Cuantas parejas de baile de sexos distintos pueden formarse?
b. De cuantas maneras se pueden colocar en una fila de modo que los sexos se alternen?
4. Un examen tiene 12 preguntas que pueden ser respondidas cierto o f also. Si un estudiante decide
responder cierto a seis de ellas, de cuantas maneras puede hacerlo?
5. Con las letras de la palabra LIBRO, Cuantas palabras de cinco letras o menos (con o sin sentido)
pueden formarse? Cuantas de ellas no tienen letras repetidas?
6. Calcule cuantas palabras con o sin sentido pueden formrse con las letras de las siguientes palabras.
CUAUTITLAN, CUERAMARO, TLALNEPLANTLA TLACOQUEMECATL.
7. Se disponen 5 bolas blancas y 5 negras en 3 cajas numeradas. Cuantas maneras hay de hacerlo?
8. Cu
antos n
umeros se pueden formar usando todos los dgitos 1, 2, 2, 3, 3, 3, 4, 4, 4, 4?
9. En una mesa de un restaurant seis personas ordenan arrachera, tres piden enchiladas, dos piden pollo
y uno pide pasta.
a. De cuantas maneras pueden servirse los 12 platillos de modo que todos reciban lo que ordenaron?
b. De cuantas maneras pueden servirse de modo que nadie reciba lo que ordeno?
10. Una mano de POKER consiste de cinco cartas tomadas de un juego de barajas. De cuantas maneras
se puede obtener
a. una escalera (cinco cartas en orden, sin importar la pinta; el As puede terminar la escalera pero no
comenzarla)?
b. un tro?
c. un par?
d. dos pares?
e. un par y un trio (full house)?
f. Halle la probabilidad de los eventos anteriores.
11. Cual es la probabilidad de que cuatro personas seleccionadas al azar hayan nacido en diferentes dias
de la semana?
12. Se disponen en fila 2 bolas blancas y 6 bolas negras de modo que no haya dos bolas blancas consecutivas
(la figura indica una manera posible). Cuantas maneras hay de hacerlo?
13. De cuantas maneras pueden sentarse cinco hombres y cinco mujeres en una mesa redonda de modo
que no haya dos hombres sentados uno al lado del otro?
14. De cuantas maneras pueden sentarse cinco hombres y ocho mujeres en una mesa redonda si los hombres
se sientan todos juntos?
2.14. COMENTARIOS Y ALGO DE HISTORIA. 57
16. Cu
antos n
umeros de cinco cifras tienen todas sus cifras de igual paridad (todas pares o todas impares)?
17. En una mesa rectangular los anfitriones se sientan en los extremos. De cuantas maneras se pueden
sentar
a. seis invitados, tres a cada lado?
b. cuatro mujeres y cuatro hombres, sentados cuatro a cada lado de modo que no haya dos personas
del mismo sexo juntas?
c. ocho invitados, cuatro a cada lado de la mesa, de modo que dos invitados especficos se sienten
juntos?
18. De cuantas maneras podemos escoger cuatro cartas de distintas pintas y distintos valores a partir de
un juego de 52 cartas?
19. Cu
al es la probabilidad de que una mano de bridge (13 cartas) tenga los cuatro aces?
20. Cu
antas biyecciones hay de A a B, si ambos conjuntos tienen n elementos?
22. Un restaurante ofrece un men u con las siguientes posibilidades: cuatro sopas para escoger una, dos
platillos principales, para escoger uno, dos acompanantes a escoger entre tres tipos de papas, tres tipos
de vegetales y una ensalada, Cuatro postres para escoger uno y una bebida de tres.
a. Cuantas comidas diferentes se pueden ordenar si solo hay un tipo de papa en cada orden, suponiendo
que no se omite ningun tiempo?
b. Cuantas comidas diferentes se pueden ordenar si solo hay un tipo de papa en cada orden, y se
omite un tiempo distinto del plato principal?
23. Clara dice que es capaz de distinguir Pepsi Cola de Coca Cola por el sabor 75 % de las veces. Pedro
piensa que Clara solo esta adivinando. Para determinar quien tiene la razon Clara debe probar 10 vasos
en cada uno de los cuales hay alguna de las dos gaseosas, que ha sido seleccionada al azar lanzando una
moneda. Clara gana si acierta 7 o mas veces. Halle la probabilidad de que Clara gane si en realidad lo
que dice es cierto. Halle la probabilidad de que Clara gane si en realidad esta adivinando.
24. En un grupo de 12 personas hay dos de apellido Perez. Si no importa el orden, de cuantas maneras
se pueden escoger siete personas a) sin restricciones? b) si se deben incluir los dos Perez? c) sin incluir
ningun Perez? d) si solo un Perez se incluye? e) si al menos un Perez se incluye? f) si a lo sumo un
Perez se incluye?
25. a. Halle la probabilidad de obtener al menos un seis al lanzar 6 dados. b. Halle la probabilidad de
obtener al menos dos seises al lanzar 12 dados. c. Halle la probabilidad de obtener al menos tres seises
al lanzar 18 dados. Compare los tres resultados.
26. a. Se colocan 3 bolas numeradas en 3 cajas numeradas. Hallar el n umero de maneras de hacerlo de
modo que: (i) Al menos una caja quede vaca. (ii) Exactamente una caja quede vaca.
b. Repetir el calculo hecho en a. cuando hay n bolas y n cajas.
27. Las claves o N umeros de Identificacion Personal (NIP) para las tarjetas bancarias tienen usualmente
4 cifras. Si una computadora asigna estos n umeros al azar, Cual es la probabilidad de que las cuatro
cifras sean diferentes? Cual es la probabilidad de que haya exactamente dos dgitos repetidos?
58 CAPITULO 2. TEORIA COMBINATORIA
28. Los dados para jugar poker consisten de 5 dados con los smbolos {9, 10, J, Q, K, A}. Al lanzar estos
cinco dados Cual es la probabilidad de obtener un full house (un tro y una pareja? Cual es la
probabilidad de obtener dos pares?
29. Una caja contiene ocho bolas, dos rojas, dos azules, dos blancas y dos negras. Las bolas se separan al
azar en dos grupos de cuatro bolas cada uno Cual es la probabilidad de que cada conjunto tenga una
bola de cada color?
30. Una caja contiene 100 bolas numeradas del 1 al 100. Se seleccionan al azar dos bolas sin reposicion
Cu
al es la probabilidad de que la suma de los n
umeros sea par?
31. Un amigo te invita jugar Aguila o Sol lanzando su moneda, pero tu piensas que la moneda no esta bal-
anceada. Le propones jugar de la siguiente manera: lanzas la moneda dos veces, si el resultado es AS
tu ganas, si es SA tu amigo gana y si es AA o SS ninguno gana y se vuelve a lanzar la moneda hasta
lograr dos resultados distintos. Supon que la probabilidad de que la moneda salga A es p. Halla la
probabilidad de AS, SA, AA, SS con dos lanzamientos de la moneda. Usando esto demuestra que la
probabilidad de ganar en el nuevo esquema es 1/2.
32. Un medicamento tiene una efectividad desconocida p. Para estimar p se aplica el medicamento a n
pacientes y se encuentra que resulto efectivo en m de ellos. El pricipio de m
axima verosimilitud dice que
debemos estimar p seleccionando el valor que maximiza la probabilidad de que ocurra lo que ocurrio en
el experimento. Suponga que el experimento puede considerarse una serie de ensayos de Bernoulli con
probabilidad de exito p y demuestre que el estimador de maxima verosimilitud para p es m/n.
33. Veintidos caballos de madera distintos se van a colocar en un carrusel en dos crculos concentricos. De
cuantas maneras se puede hacer esto si cada crculo debe tener 11 caballos y cada uno de ellos debe
estar al lado de otro caballo?
34. Demuestre que a partir de un conjunto de n elementos se pueden formar 2n1 subconjuntos con un
n
umero par de elementos.
35. Sea A la coleccion de subconjuntos de {1, 2, 3, . . . , n} que tienen tamano par (por convencion tiene
tama
no par), y sea B la coleccion de los subconjuntos de tama no impar. Establezca una biyeccion de
A a B, lo cual demuestra que ambos tienen la misma cardinalidad.
36. Demuestre que nk y 2n 2k tienen la misma paridad, es decir, ambos son pares o ambos son impares.
37. Demuestre que hay infinitas filas del triangulo de Pascal que consisten unicamente de n
umeros impares.
38. Sea a un numero del Triangulo de Pascal. Demuestre que la suma de los n
umeros del triangulo que se
encuentran dentro del paralelogramo limitado por los lados del triangulo y las diagonales que pasan
por a (ver figura 2.10) es igual a a 1
.
........
.... .....
....... .......
.... ..
.............. ................
......... .....
.....
........
....
.......
..... ........ ....... ........ ........ ........
.......
.
..
..... .......... ......... .......... ....
.
...
........... .............. .............. ..............
..
..
.
.......... ............. .............. ............. ..............
... ............ ............ ............ ............ ......
..... .. .. . . .
.......... .......... .......... ........... .......... ..........
a
..... .... ..... .... ..... ................ ............... ............... ........
. ......... ................ ............. ... ... .... ....
..
... ..... ..... ..... ..... ...... ....... ........ ........ ........ ....... ........ ....... ........
...
. .. . ....... .
........ ... . .
........ ......... ......
....... ....... ... .. ........ .. .. ..
..
..... ........ ....... ........ ....... ........ ....... ........ ....... ........ ....... ........ ........ ........ ........ ........
..... ...... ...... ...... ...... ...... ...... ...... ....
..
..... ..... ................ ................ ................ ................ ................ ................ ................ ................
.
... .. ... ... ... ... ... ... ... ... ... ... ... ...... ... ... ...
Figura 2.10
2.14. COMENTARIOS Y ALGO DE HISTORIA. 59
43. F
ormula de Van der Monde. Demuestre que para m, n enteros y r m n,
X m n m + n
= .
k rk r
k
n Pn r1
44. Demuestre que k = r=k k1 .
45. Considere todas las poligonales (n, Sn ), n 0 que parten del origen es decir, que S0 = 0 y que, en
cada paso, saltan una unidad hacia arriba o hacia abajo. Dicho de otra manera, Sn = X1 +X2 + +Xn ,
donde cada Xi vale 1 o 1.
...... ..
.......... .
...
.... ....
..
.
... ..
. .
... .
........ ....
. .... ...
. ...... ..
... ..... ..
....
. ..
... .
...
.. ...
... ...
... ..
.
..
. ..
.
.....
. ..
...
... ..
..... .............. ...
.
..
... .
...
.
.. ..
... ..
.. ..
.. ...
.
..
.. ..
.. ...
... ..
..... ............ ....... .
..
.... ...
... ... ..
..... .....
... ..
..... ..
...
................. .......
.....
..... .. ...
. .
...................................
................ ............................................................. ...................
.
.............................................................................................................................................
.
.... . . . . .
..... .....
.
. ...
.
0 12345 .... n
Figura 2.11
46. Agrupando
n un conjunto de n2 puntos de dos maneras distintas, de una prueba combinatoria de n2 =
2 2 + n.
60 CAPITULO 2. TEORIA COMBINATORIA
...... ...
.......... ..
.
Sj ...
...
... .
.
. .
.. .......................
.
... .. ...
. . .
... ....... . .
... ... ...
... .. ..
...
..
.
........
.... ....... ... . .....
..
.....
. .....
.....
..... ....... ... .
..
.....
.....
. . .
... .... `
.... . ..... ......... ....... . ... ......... ................ . ..
...................................... ................................... ......................................... ..............................................
k ... ..
.
... .
........ .. .
...
.
.
................
...
..... ....... .. ......................
.
..
. ..
.
.... ...
.................
... .. ....... ... ....
... ..
..
. . .
.......... ..... .... ..... . ..
..... .... ....... .... .... ....
...
... ...
......
. .
........
.
.... .. ..
.... .. .. `
... ......... ...... .......
... ..... . ..........
.
..................... ........................................................................................................................................................................................................................................
... . . . ..
0 1 ....
. 5 n j
Figura 2.12
kn nnj
47. Demuestre que j k = j kj contando los elementos de un conjunto de dos maneras distintas.
48. Consideremos un tablero cuadriculado como el de la figura 2.13, con las columnas numeradas y las
filas indicadas por letras. Supongamos que un punto se mueve sobre los nodos de modo que en cada
movimiento se puede dirigir hacia adelante, a la izquierda o a la derecha, pero nunca se devuelve. El
punto comienza en la interseccion J12 viniendo de la calle I. Cuantas rutas distintas hay para
a. llegar a la interseccion L8 despues de 6 movimientos?
b. regresar a J12 despues de cuatro movimientos?
1 2 3 4 5
... ... ... ... ...
... .. .. .. ..
A ... ... ...
...................................................................................................................................
... ...
..... ..... ..... ..... .....
... ... ... ... ..
...................................................................................................................................
B .
...
...
.
...
...
.
...
...
.
...
...
...
...
... ... ... ... ...
C ...
...
....
.
....
..................................................................................................................................
. . . .
....
...
...
... ... ... ... ...
.. .. .. .. .
......................................................................................................................................
.
.
.
.
D .... .... .... .... ....
.... .... .... .... ....
.. .. .. .. ..
E ... ... ...
......................................................................................................................................
... ...
... ... ... ... ...
... ... ... ... ...
.. ... ... ... ... ...
.
Figura 2.13
50. Cuantos rectangulos (de cualquier tamano se pueden formar usando los segmentos de una retcula
con m rectas horizontales y n verticales. En la figura 2.14, m = 4, n = 6.
.......................................................................................................................
... ... ... ... ... ...
... .. .. .. .. ..
... ... ... ... ... ...
. . . . .
...................................................................................................................................
... ... ... ... ... ...
... ... ... ... ... ...
.... .... .... .... .... ..
.........................................................................................................................
... ... ... ... ... ...
.. .. .. .. .. ..
.... ... ... ... ... ...
............................................................................................................................
Figura 2.14
Captulo 3
Probabilidad Condicional
e Independencia
3.1. Introducci
on.
Consideremos una poblacion de 20 estudiantes entre los cuales hay 14 que estudian Medicina y 6 que
estudian Ingeniera. De esta poblacion se escogen sin reposicion dos estudiantes al azar y se consideran los
eventos:
E1 : El primer estudiante seleccionado estudia Medicina.
E2 : El segundo estudiante seleccionado estudia Medicina.
El espacio muestral que consideramos consiste de la coleccion de todos los pares ordenados
E2 E2c
E1 1413 146 1419
E1c 614 65 619
1419 619 2019
Tabla 3.1
Utilizando este cuadro podemos calcular facilmente las probabilidades de eventos tales como
14 13 14 19 6 14
P (E1 E2 ) = ; P (E1 ) = ; P (E1c E2 ) = .
20 19 20 19 20 19
62 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
Si suponemos que el primer estudiante estudia Medicina, cual es la probabilidad de que el segundo tambien?
En este caso vemos, a partir de la tabla, que hay 14 19 resultados posibles, de los cuales 14 13 son
favorables al evento E2 y por lo tanto la probabilidad que deseamos calcular es
Definici
on 3.1 Sea (, A, P ) un espacio de probabilidad y sea B A tal que P (B) > 0. Definimos una
nueva funcion P (|B) de A en R mediante
P (A B)
P (A|B) = para todo A A.
P (B)
P (B) P (B)
2. P (|B) = P (B) = P (B) = 1.
P (A B)
A B = P (A B) = 0 y P (A|B) = = 0.
P (B)
Ejemplos
1. Se lanzan dos dados hasta que la suma de los puntos sea 7 u 8. Si sale 7 gana el jugador A, si sale 8
gana B. Cual es la probabilidad de que gane A?
3.1. INTRODUCCION. 63
I Vamos a resolver este problema de dos maneras. Supongamos primero que al cabo de n lanzamientos
gana A. Esto quiere decir que en los n 1 primeros lanzamientos no salio ni 7 ni 8, y que en el n-esimo
se obtuvo 7. Este evento tiene probabilidad
n1
1 25
pn = .
6 36
De esta manera, la probabilidad de que A gane es:
X X n1
1 25
P (A) = pn =
n=1 n=1
6 36
n
1 X 25
=
6 n=0 36
1 1 6
= = .
6 1 25
36
11
Otra forma de resolver el problema es observar que la probabilidad de que gane A es la probabilidad
condicional de que la suma de puntos sea 7, dado que el juego termina en un cierto lanzamiento, es
decir, dado que la suma es 7 u 8 (hay que observar que la probabilidad de que el juego no termine es
cero) o sea
6
P ({7}) 6
P (A) = P ({7}|{7, 8}) = = 36
11 = .
P ({7, 8}) 36
11
J
P ((X = k) (X + Y = 8))
P (X = k|X + Y = 8) = .
P (X + Y = 8)
Veamos primero la probabilidad en el denominador. Observamos que hay 5 resultados cuya suma es
ocho de un total de 36 resultados posibles, que corresponden a los pares ordenados (2, 6); (3, 5); (4, 4);
(5, 3); (6, 2) y por lo tanto la probabilidad en el denominador vale 5/36. Por otro lado, la probabilidad
en el numerador vale 0 si tomamos k = 1. Para 2 k 6 hay un solo resultado del segundo lanzamiento
para el cual la suma es ocho: Y = 8 k y en consecuencia la probabilidad en el numerador es 1/36.
Finalmente tenemos (
1/5 si 2 k 6,
P (X = k|X + Y = 8) =
0 si k = 1.
b) Ahora nos interesa calcular
P ((Y = k) (X = 3))
P (Y = k|X = 3) = .
P (X = 3)
64 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
Sabemos que P (X = 3) = 1/6. Para calcular la probabilidad del numerador observamos que de un
total de 36 resultados posibles, solo uno corresponde al evento (Y = k) (X = 3) y por lo tanto esta
probabilidad es 1/36. En consecuencia
1/36 1
P (Y = k|X = 3) = = .
1/6 6
Este resultado es igual a P (Y = k) y concuerda con lo que uno esperara intuitivamente, ya que saber
el resultado del primer lanzamiento no debe afectar en manera alguna el resultado del segundo.
c) Nos interesa ahora
P ((Y + Y = 7) (X = 3))
P (X + Y = 7|X = 3) =
P (X = 3)
pero
(X + Y = 7) (X = 3) = (3 + Y = 7) (X = 3) = (Y = 4) (X = 3),
por lo tanto
P ((Y = 4) (X = 3))
P (X + Y = 7|X = 3) =
P (X = 3)
y por el resultado de la parte b de este ejercicio sabemos que esta probabilidad es 1/6. J
3. Consideremos ahora una situacion que se presenta con frecuencia en casos de controles masivos apli-
cados en prevencion medica y control de calidad de productos.
Para controlar una cierta enfermedad en una poblacion donde la proporcion de enfermos es p se usa un
determinado examen medico para detectar enfermos. Se sabe que la probabilidad de que al aplicar el
examen a un enfermo lo muestre como tal es de 0.90, y que la probabilidad de que el examen aplicado
a una persona sana la se nale como enferma es 0.01. Calcular la probabilidad de que una persona
este realmente enferma si el examen medico lo mostro como tal.
I Para responder esta pregunta elegimos al azar una persona en la poblacion y consideramos los eventos
E: la persona esta enferma.
R: el examen la detecta como enferma.
Queremos calcular
P (E R)
P (E|R) = .
P (R)
Sabemos que
P (E) = p,
P (E R)
P (R|E) = = 0.90,
P (E)
P (E c R)
P (R|E c ) = = 0.01.
P (E c )
P (E R) = 0.90p
y a partir de la tercera
P (E c R) = 0.01(1 p).
3.1. INTRODUCCION. 65
Por lo tanto
P (R) = P (R E) + P (R E c )
= 0.90p + 0.01(1 p),
y en consecuencia
0.90p 90p
P (E|R) = = .
0.90p + 0.01(1 p) 89p + 1
1
En particular, si p = 30 resulta
P (E|R) ' 0.76.
Llama la atencion que esta probabilidad no sea muy proxima a 1, como uno esperara. Analizando el
comportamiento de P (E|R) como funcion de p (ver figura 3.1) observamos que si la proporcion p de
enfermos en la poblacion es peque na, el metodo de control masivo es insuficiente, dado que P (E|R)
esta lejos de 1. Por ejemplo, si p = 0.001, resulta P (E|R) ' 0.083.
...
P (E|R) ................
..
1.............. ........................................................................................................................................................
..............................
..........
.. ......
... .......
.. ..
... ....
... ...
... ...
... ...
... ...
..
..............
0.5 ........
......
......
......
......
....
...
...
..
.............................................................................................................................................................................................................................................................................
... ... ...
p
0.5 1
Figura 3.1
Los datos de este ejemplo han sido elegidos arbitrariamente, pero observamos, sin embargo, que
cualquier metodo de control que pueda implicar errores en la clasificacion considerada, esta sujeto
a dificultades como la que hemos encontrado anteriormente, que requieren un analisis previo a su
aplicacion. J
4. Estudiemos la distribucion del tiempo de vida de un aparato electrico bajo la hipotesis de que el
aparato no envejece, sino que se destruye por una perturbacion aleatoria. Lo que queremos decir es que
el objeto en cuestion cumple con la siguiente condicion: dado que el aparato esta en funcionamiento en
el instante s, se comporta respecto a su tiempo de vida futuro a partir de ese instante como si hubiera
comenzado a funcionar en s, es decir que
o sea
P (T > s + h)
= P (T > h).
P (T > s)
Si llamamos (t) = P (T > t), la igualdad anterior se puede escribir
(s + h) = (s)(h) (3.1)
(t) = et donde t 0, 0.
66 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
I De (3.1), si s = h = 0, resulta
(0) = ((0))2
de donde (0) = 0 o (0) = 1. Ahora bien,
Si s = 1/n resulta
1
(1/n) = ((1)) n
poniendo ahora s = n/m, se tiene
n
(n/m) = ((1/m))n = ((1)) m ,
es decir que
(t) = ((1))t si t Q, t 0.
haciendo k tenemos
((1))t (t) ((1))t
y por lo tanto (t) = ((1))t . Poniendo (1) = e obtenemos
(t) = et
donde debe ser positivo para que sea decreciente. Concluimos entonces que P (T > t) = et y
decimos que en este caso que T tiene distribucion exponencial.
Como ejemplo numerico de esta situacion supongamos que el tiempo de vida T medido en horas de
una cierta marca de focos tiene una distribucion exponencial con parametro = 0.001.
a) Calcule la probabilidad de que un foco de esta marca dure 2000 h.
b) Calcule la probabilidad de que dure 2000 h. dado que ha durado 1000 h.
a) P (T 2000) = e0.0012000 = e2 0.13533.
P ((T 2000)(T 1000)) P (T 2000) e2
b) P (T 2000|T 1000) = P (T 1000) = P (T 1000) = e1 = e1 0.367879.
J
5. Consideremos las familias que tienen dos ninos y supongamos que varones y hembras son igualmente
probables. Si escogemos al azar una familia y en ella hay un hijo varon, cual es la probabilidad de que
el otro hijo sea tambien varon?
3.1. INTRODUCCION. 67
donde v es varon, h es hembra y el orden del par es el orden de los nacimientos. Cada uno de los puntos
tiene probabilidad 1/4.
Al considerar este problema uno podra llegar a la conclusion de que, como ambos sexos son igualmente
probables, la probabilidad que buscamos es 1/2. Veremos, sin embargo, que esto no es cierto. Sea
P (B) 1/4 1
P (B|A) = = = ,
P (A) 3/4 3
6. Veamos un problema parecido al anterior. Consideremos de nuevo las familias que tienen dos hijos. Si
escogemos un ni no al azar entre estas familias y resulta ser varon, cual es la probabilidad de que el
otro ni
no en la familia tambien sea varon?
I En este ejercicio, una representacion apropiada del espacio muestral es la siguiente:
0 = {hv , hh , vh , vv }
donde los puntos del espacio muestral no son ahora las familias sino los hijos en las familias y hv :
hembra que tiene un hermano, hh : hembra que tiene una hermana, vh : varon que tiene una
hermana y vv : varon que tiene un hermano. Sea
entonces
A0 B 0 = {vv }
y por lo tanto
P (A0 B 0 ) 1/4 1
P (B 0 |A0 ) = 0
= = .
P (A ) 1/2 2
J
7. El Problema de Selecci on Optima. Vamos a considerar la siguiente situacion: tenemos n objetos
del mismo tipo (por ejemplo, televisores, telefonos celulares, etc.) y suponemos que si nos dan cualquier
par de objetos, siempre podemos decidir cual es mejor, sin que hayan empates. Queremos seleccionar
el mejor de ellos con las siguientes restricciones: nos ofrecen los objetos uno a uno al azar y en cada
caso debemos decidir si lo aceptamos o no. Si lo aceptamos tenemos que quedarnos con ese objetos.
Si no lo aceptamos se nos muestra el siguiente, pero los objetos rechazados no pueden ser escogidos
posteriormente.
Adoptamos la siguiente regla general: nunca escogemos un objeto que sea de calidad inferior a los que
hemos rechazado previamente. Entonces podemos escoger el primer objeto y detener la b usqueda, o
rechazamos el primer objeto y examinamos los posteriores con la esperanza de obtener alguno mejor a
lo largo de la sucesion. Por supuesto, es posible que con esta estrategia nunca seleccionemos el mejor
objeto, o que lo rechacemos inicialmente y nunca podamos hacer una seleccion. Por otro lado, si el
68 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
n
umero de objetos es grande, es razonable rechazar el primero con la esperanza de encontrar uno mejor
posteriormente.
Supongamos que, siguiendo la regla descrita anteriormente, seleccionamos el i-esimo objeto, de modo
que este objeto debe ser mejor que todos los anteriores. Cual es la probabilidad de que el objeto que
escogemos sea realmente el mejor de todos?
I Sea B el evento que el i-esimo objeto sea el mejor de los observados hasta ese momento y sea A el
evento que ocurre si el i-esimo objeto es el mejor de los n objetos. Queremos calcular P (A|B), para lo
cual necesitamos P (B) y P (A B). Tenemos que A B, de modo que A B = A y P (A B) = P (A).
Por hipotesis los objetos se presentan al azar, de modo que todos los posibles ordenes tienen la misma
probabilidad. Por lo tanto P (B) es la probabilidad de que un objeto dado, el mejor de todos, ocupe el
lugar i. Como hay i! permutaciones de i objetos y hay (i 1)! permutaciones si fijamos el lugar de un
objeto, la probabilidad es
(i 1)! 1
P (B) = = .
i! i
De manera similar P (A) es la probabilidad de que en una permutacion hecha al azar de n objetos
distinguibles, un objeto dado, el mejor, ocupe el i-esimo lugar, de modo que
(m 1)! 1
P (A) = = .
m! m
Por lo tanto la probabilidad condicional es
P (A B) P (A) i
P (A|B) = = = .
P (B) P (B) m
J
3.2. Resultados B
asicos sobre Probabilidad Condicional.
Estudiaremos en esta seccion algunas propiedades sencillas pero fundamentales de la probabilidad condi-
cional.
Proposici
on 3.1 Para cualquier colecci
on finita de eventos A1 , . . . , An se tiene
todas las probabilidades condicionales que aparecen estan bien definidas. Si escribimos explcitamente el
segundo miembro de la igualdad obtenemos
1. Se extraen sin reposicion tres cartas de un juego completo de barajas. Calcule la probabilidad de que
ninguna sea trebol.
3.2. RESULTADOS BASICOS SOBRE PROBABILIDAD CONDICIONAL. 69
Una de las propiedades mas utiles de la probabilidad condicional es la Ley de la Probabilidad Total, que
demostramos a continuacion.
Proposici on 3.2 (Ley de la Probabilidad Total) Sea B1 , B2 , . . . una familia finita o numerable de con-
juntos disjuntos dos a dos cuya uni
on es . Entonces, para cualquier evento A,
X
P (A) = P (Bi )P (A|Bi )
i
donde la suma se toma sobre todos los ndices i para los cuales P (Bi ) > 0.
Demostraci
on.
P (A) = P (A ) = P (A (i Bi ))
X
= P (i (A Bi )) = P (A Bi )
i
X
= P (Bi )P (A|Bi ).
i
Veamos ahora algunos ejemplos.
2 En una bolsa se colocan n tarjetas con nombres escritos en ellas y se extraen dos, sucesivamente y sin
reposicion. Si m < n de los nombres son de mujer, calcule la probabilidad de que el segundo nombre
extrado sea de mujer.
I Sea A el evento cuya probabilidad deseamos calcular y F : el primer nombre extrado es femenino.
Los eventos F y F c son disjuntos y forman una particion del espacio muestral. En consecuencia
y
m nm m1 m
P (F ) = ; P (F c ) = ; P (A|F ) = ; P (A|F c ) = .
n n n1 n1
Por lo tanto
(m 1) m m (n m)
P (A) = +
(n 1) n (n 1) n
m m
= (m 1 + n m) = .
(n 1)n n
J
3 Cada vez que el repartidor de una pizzeria regresa a buscar los pedidos para repartir, se encuentra
que pueden haber entre 1 y 5 encargos esperando, y cada una de estas posibilidades tiene la misma
probabilidad. Si, en promedio, la mitad de los clientes le da propina, calcule la probabilidad de que
obtenga al menos dos propinas en un viaje.
70 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
I Sea A: obtiene al menos dos propinas en el viaje y sean Bi para i = 1, . . . , 5 los eventos hay i
encargos por repartir al iniciar el viaje, respectivamente. Estos conjuntos Bi forman una particion del
espacio muestral y por lo tanto
X5
P (A) = P (A|Bi )P (Bi ).
i=1
4 La Ruina del Jugador. Un jugador con capital inicial k juega en un casino una sucesion de juegos
hasta lograr un capital m o hasta que se arruine. Si la probabilidad de ganar en cada juego es p Cual
es la probabilidad de que se arruine?
I La probabilidad de ruina depende de k y de m. Supongamos que m esta fijo y sea uk la probabilidad
de ruina del jugador si al comienzo tiene un capital de k unidades. Si el jugador gana en el primer
juego, la probabilidad de que se arruine es ahora uk+1 , mientras que si pierde, la probabilidad de ruina
es uk1 .
Sea G1 el evento el jugador gana el primer juego, mientras que R es el evento el jugador se arruina.
Entonces
P (R|G1 ) = uk+1 , P (R|Gc1 ) = uk1 .
Por lo tanto,
es decir
uk = puk+1 + quk1 , 1 k m 1,
con las condiciones iniciales
u0 = 1, um = 0.
Para resolver esta ecuacion introducimos las diferencias k = uk uk1 para k = 1, 2, . . . , m. Como
p + q = 1 tenemos
uk = (p + q)uk = puk+1 + quk1
de donde obtenemos
p(uk+1 uk ) = q(uk uk1 )
es decir
q
pk+1 = qk k+1 = k
p
3.2. RESULTADOS BASICOS SOBRE PROBABILIDAD CONDICIONAL. 71
o
.
..............
......... .........
...... .. .. ......
...... .. ..... ...........
... .
. ...... .... ... ......
.... ... ... ......
...... ......
...... ... ... ......
. .
......... ...
.
...
.
......
......
.
..... . ... ......
..
. .. .
.
.......
. ... ...
.
......
......
..
.. ....
. .
. . ...
... ......
..
......
. ...
. .
......
......
.
. .... .
.
... ......
b 1......... .
..
.. .
....
.
.
b 2 ... ..
.
.
b ....
.... 3
......
b
...... 4
......
... ..
.
.
..
.............
.
........... .... ......... .... ....
..
........
.
.... ........... . ...
..
. ...
..............
...... ....... ...
...
.
.
...
.
.... ......
.
.
.... ....... ... .........
... ......
..
.... .. ... .....
.
... .
. .. .
.
.. ... .
.......
.
.
. .
..
.
.... ............ .....
.
.. ... ...
.
..... ......
.
.....
...
...
.......
...... ...
... ...
. ......
......
.
. .
... ... ...
... ... ...
.
...
...
......
......
......
...
... ..
... ......
...... ... .. ..
...... ... .. ...... .. .... ....
...... .
. .
..... .. .
...... ...
...
. ...... .... ..
...... ...
... ...... .......... ..
...... ... ...... ..........
...... . .. ...... ..........
...... ..... .
... ........... ...................
...... .. .. ...... ...........
...... ... . ...... ..........
........ ...................
...........
a
Figura 3.2
uk = 1 + 1 + 2 + + k
q q k1
= 1 + 1 + 1 + + 1
p p
h q q k1 i
=1+ 1+ + + 1
p p
y obtenemos
1
1 = q q m1
1+ p + + p
de modo que
q q k1
1+ p + + p
uk = 1 q q m1
1+ p + + p
(
k mk
1 m = m si p = q = 1/2
= 1(q/p)k (q/p)k (q/p)m
1 1(q/p)m = 1(q/p)m si p 6= q
5 Un caminante sale del punto o y escoge uno de los caminos ob1 , ob2 , ob3 , ob4 al azar (ver figura 3.2). En
cada uno de los cruces siguientes de nuevo escoge al azar. cual es la probabilidad de que el caminante
llegue al punto a?
72 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
I Sea Bk , k = 1, 2, 3, 4, el evento el caminante pasa por el punto bk , estos eventos forman una particion
de y ademas son equiprobables. Por lo tanto P (Bk ) = 1/4, k = 1, 2, 3, 4.
Si el caminante llega a b1 , hay cuatro caminos que puede escoger y solo uno de ellos lo lleva a a, de
donde la probabilidad condicional de llegar a a pasando por b1 es 1/4. Si A es el evento el caminante
llega a a, tenemos
1
P (A|B1 ) = .
4
De manera similar obtenemos
1 2
P (A|B2 ) = ; P (A|B3 ) = 1; P (A|B4 ) = .
3 5
Por lo tanto, la probabilidad de llegar a a es
X4
1 1 1 2 119
P (A) = P (A|Bi )P (Bi ) = + +1+ = .
i=1
4 4 3 5 240
J
6 Cu
al es la probabilidad de obtener 6 n
umeros distintos al lanzar 6 dados simetricos?
I Consideremos los siguientes eventos:
E1 : se obtiene cualquier resultado en el primer lanzamiento.
E2 : el segundo dado es distinto al primero.
E3 : el tercer dado es distinto a los dos primeros.
y as sucesivamente. Entonces tenemos:
P (E1 ) = 1
P (E2 |E1 ) = 5/6
P (E3 |E1 E2 ) = 4/6
..
.
P (E6 |E1 E2 E5 ) = 1/6
y usando la proposicion 3.1
5 4 3 2 1 6!
P (E1 E2 E6 ) = 1 = 6.
6 6 6 6 6 6
J
7 Se extraen dos cartas al azar de un juego de barajas. Calcule la probabilidad de que las cartas sean un
As y un diez.
I Consideremos los siguientes eventos:
A1 : la primera carta es un As B1 : la primera carta es un diez
A2 : la segunda carta es un As B2 : la segunda carta es un diez
C : se extraen un As y un diez.
Tenemos
P (C) = P (B2 |A1 )P (A1 ) + P (A2 |B1 )P (B1 )
4 4 4 4
= +
51 52 51 52
8
= .
663
J
3.3. EL TEOREMA DE BAYES 73
P (A|Bi )P (Bi )
P (Bi |A) = P .
j P (A|Bj )P (Bj )
Demostraci
on. Por la definicion de probabilidad condicional tenemos:
(A Bi )
P (Bi |A) = (3.2)
P (A)
y
P (A Bi ) = P (A|Bi )P (Bi ). (3.3)
Por la proposicion 3.2 tenemos X
P (A) = P (A|Bj )P (Bj ). (3.4)
j
1. De cien pacientes en un hospital con una cierta enfermedad se escogen diez para usar un tratamiento
que aumenta la probabilidad de sanar de 0.50 a 0.75. Si posteriormente un doctor encuentra a un
paciente curado, cual es la probabilidad de que haya recibido el tratamiento?
I Sean
C: el paciente esta curado.
T : el paciente recibio el tratamiento.
A partir de la informacion dada obtenemos,
10 90
P (T ) = = 0.1; P (T c ) = = 0.9;
100 100
P (C|T ) = 0.75; P (C|T c ) = 0.50.
P (C|T )P (T )
P (T |C) =
P (C|T )P (T ) + P (C|T c )P (T c )
(0.75)(0.1) 1
= = .
(0.75)(0.1) + (0.5)(0.9) 7
J
2. Tres cajas contienen dos monedas cada una. En la primera, C1 , ambas son de oro; en la segunda, C2 ,
ambas son de plata y en la tercera, C3 , una es de oro y otra es de plata. Se escoge una caja al azar y
luego una moneda tambien al azar. Si la moneda es de oro, cual es la probabilidad de que venga de
la caja que contiene dos monedas de oro?
74 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
I Sabemos que P (Ci ) = 1/3. Sea O: se escoge una moneda de oro. Usando el Teorema de Bayes,
P (O|C1 )P (C1 )
P (C1 |O) =
P (O|C1 )P (C1 ) + P (O|C2 )P (C2 ) + P (O|C3 )P (C3 )
1 31 2
= 1 1 1 1 = 3
1 3 +0 3 + 2 3
Si uno considera el problema sin mucho cuidado podra razonar de la siguiente manera: luego de sacar
una moneda de oro solo hay dos cajas de las cuales pudo provenir, y como estamos escogiendo las cajas
al azar, la probabilidad de que venga de C1 es 1/2. El problema con este razonamiento es que es mas
probable sacar una moneda de oro de C1 que de C3 , y el argumento no toma esto en cuenta. J
P (H|A)P (A)
P (A|H) =
P (H|A)P (A) + P (H|B)P (B) + P (H|C)P (C)
0.9 0.01 9
= = = 0.313.
0.9 0.01 + 0.95 0.005 + 0.75 0.02 28.75
J
4. Un estudiante responde una pregunta de un examen de m ultiple seleccion que tiene cuatro respuestas
posibles. Suponga que la probabilidad de que el estudiante conozca la respuesta a la pregunta es 0.8 y
la probabilidad de que adivine es 0.2. Si el estudiante adivina, la probabilidad de que acierte es 0.25.
Si el estudiante responde acertadamente la pregunta, cual es la probabilidad de que el estudiante
realmente supiera la respuesta?
I Definamos los siguientes eventos:
C: el estudiante conoce la respuesta.
A: el estudiante responde acertadamente.
Queremos calcular P (C|A) y sabemos que
P (A|C)P (C)
P (C|A) =
P (A|C)P (C) + P (A|C c )P (C c )
0.8 0.8
= = = 0.941.
0.8 + (0.25)(0.2) 0.85
J
3.4. EVENTOS INDEPENDIENTES 75
Definici
on 3.2 Dos eventos A y B son independientes si vale (3.5).
Es facil verificar que y son independientes de cualquier evento.
Ejemplo
1. Un lote de diez objetos contiene cuatro defectuosos y seis en buen estado. Se extraen dos objetos
sucesivamente y sin reposicion. Sean los eventos D1 : el primer objeto es defectuoso y D2 : el segundo
objeto es defectuoso. Son independientes estos eventos? Que sucede si los objetos se extraen con
reposicion?
I En el primer caso podemos calcular P (D2 ) de la siguiente manera:
Definicion 3.3 Sea C = {Ai , i I} una familia de eventos. Diremos que los eventos Ai son independientes
si para cualquier coleccion finita de eventos Ai1 , Ai2 , . . . , Ain de C, se cumple:
n
\ n
Y
P( Aij ) = P (Aij ). (3.6)
j=1 j=1
Observemos que en la definicion solo intervienen colecciones finitas de eventos de C, pero intervienen todas
las colecciones finitas. Por ejemplo, si la familia consta de tres eventos, no es suficiente verificar (3.6) para
las parejas de eventos. En efecto, sea el experimento de lanzar dos dados y C = {A1 , A2 , A3 } con
Claramente,
1
P (A1 ) = P (A2 ) = P (A3 ) =
6
y
1 1
P (A1 A2 ) = P (A1 A3 ) = P (A2 A3 ) = .
6 6
Pero
1 1 1 1
P (A1 A2 A3 ) = 6= ,
36 6 6 6
de modo que los tres eventos no son independientes.
Ejemplos.
2 Si A y B son eventos independientes y la probabilidad de que ambos ocurran es 0.16, mientras que la
probabilidad de que ninguno ocurra es 0.36, calcule P (A) y P (B).
I Sabemos que P (A B) = P (A)P (B) = 0.16 y P ((A B)c ) = 0.36, de donde obtenemos
P (A B) = 0.64
= P (A) + P (B) P (A B)
= P (A) + P (B) 0.16.
3 Cu
al es la probabilidad de obtener tres 6 al lanzar ocho dados?
I El problema es equivalente a calcular la probabilidad de obtener tres 6 al lanzar ocho veces el mismo
dado. Sea Ei el evento obtenemos un 6 en el i-esimo lanzamiento. Calculemos primero la probabilidad
de que los primeros tres sean 6 y el resto no, es decir,
4 Una muestra de tama no 4 se extrae con reposicion de una bolsa que contiene 6 bolas, de las cuales
4 son blancas. Sea A el evento la primera bola es blanca y B: la tercera bola es blanca. Son
independientes estos eventos? Que sucede si el muestreo se hace sin reposicion?
P (A B) = P (A B C) + P (A B C c )
= P (A)P (C|A)P (B|A C) + P (A)P (C c |A)P (B|A C c )
432 423 2
= + =
654 654 5
y en este caso los eventos no son independientes. J
(1 P (A))P (B A)
P (B Ac ) =
P (A)
P (B A)
= P (B A),
P (A)
de donde
P (B A)
= P (B A) + P (B Ac ) = P (B)
P (A)
es decir
P (A B) = P (A)P (B).
J
78 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
Un var
on normal tiene un par de cromosomas XY y tiene hemofilia si y solo si, en lugar del cromosoma
X tiene un cromosoma X 0 , que lleva un gen que produce la enfermedad. Sea m la probabilidad de que
un cromosoma X mute en un cromosoma X 0 .
La madre tiene dos cromosomas X y el evento A1 ocurre solo si al menos uno de estos dos cromosomas
X es mutante, lo cual ocurre con probabilidad
P (A1 ) = 1 (1 m)2 = 2m m2 2m
donde hemos supuesto que las mutaciones ocurren en forma independiente, y hemos desechado el
termino m2 por ser mucho menor que 2m.
Si la madre es portadora de la enfermedad y uno de sus cromosomas es X 0 , su hijo tendra probabilidad
1/2 de heredar el cromosoma X, es decir
1
P (A2 |A1 ) = P (Ac2 |A1 ) =
2
Si en cambio la madre no lleva la enfermedad, su hijo sera hemoflico si su cromosoma X sufre una
mutacion:
P (A2 |Ac1 ) = m.
Ademas, por independencia, tenemos que
Queremos calcular
P (A2 A3 )
P (A3 |A2 ) =
P (A2 )
pero
y ademas
Por lo tanto
m/2 1
P (A3 |A2 ) = .
2m 4
J
7 Muestreo con Reposicion. Analicemos de nuevo, desde el punto de vista de la independencia, el muestreo
con reposicion de una poblacion con dos tipos de individuos A y B en proporciones p y 1 p respecti-
vamente. Deseamos calcular la probabilidad de extraer r del tipo A cuando tomamos una muestra de
tamano n, (r n) extrayendo uno a la vez.
I Supongamos que la extraccion dio como resultado que los primeros r fueron del tipo A y los n r
restantes del tipo B. Como podemos calcular la probabilidad de que esto ocurra? Para ello, llamemos
Ai al evento en la i-esima extraccion obtuvimos un individuo de tipo A. En virtud de la indepen-
dencia,
r
Y n
Y
P (A1 A2 Ar Acr+1 Acn ) = P (Ai ) P (Aci )
i=1 i=r+1
= pr (1 p)nr
Si observamos ahora que cualquiera sea el orden en que extraigamos los r individuos de tipo A y los
n r de tipo B, la probabilidad es la misma, tendremos que la probabilidad buscada es
n r
p (1 p)nr , 0 r n,
r
8 Consideremos de nuevo la poblacion del ejemplo anterior y calculemos la probabilidad de obtener por
primera vez un individuo de tipo A en la n-esima extraccion.
I Sea Ai el evento en la i-esima extraccion se obtiene un individuo de tipo A y sea C = {Ai , i 1}. C es
una familia de eventos independientes. Tambien son familias de eventos independientes las obtenidas
a partir de C al sustituir cualesquiera conjuntos Ai por sus complementos (ver la proposicion 3.4).
Entonces
I 1 I 2
... I n1 . I n
.. .. .. .. ..
... .. .. .. ... ..
......................................................................................................................................................................................................................................................................................................
... ... ... ... ... ...
... ... ... ... ... ...
Figura 3.3
Si Ak : el aparato no se da
na en el intervalo Ik , es claro que
n
\
{T > t} = Ak .
k=1
pero si h es peque
no, esto es aproximadamente igual a
e21
debido al Teorema del Valor Medio del Calculo Integral. Por lo tanto, el problema se reduce a maximizar
la funcion et en el punto t = 21. Obtenemos
= 1.
21
Despues de estas consideraciones resulta facil considerar el caso original. Usando la independencia,
debemos maximizar el producto
1 1
P (21 < T < 21 + h) P (30.2 < T < 30.2 + k) ' e21 e30.2
h k
si h y k son peque
nos. Se obtiene
= 2
.
21 + 30.2
Resulta sencillo ahora generalizar la aplicacion anterior al caso de n observaciones independientes
(si es u
t1 , t2 , . . . , tn . Queremos obtener el valor de nico) que maximice
n
Y Pn
L() = eti = n e i=1 ti
i=1
como
n
!
n X
L0 () = ti L()
i=1
= Pnn
=
1
i=1 ti t
donde t es el promedio de las n observaciones. Por otra parte, la funcion L() es positiva para (0, ),
pero L() 0 cuando 0+ y L() 0 cuando , de modo que si consideramos un intervalo
cerrado [a, A] con a > 0 suficientemente peque no y A suficientemente grande, L() tiene necesariamente
un maximo en este intervalo y lo alcanza en ya que
n
n
L() = Pn en
i=1 ti
es estrictamente positivo y finito a menos que t1 = t2 = = tn = 0 y esto solo puede suceder con
probabilidad 0. J
10 Decimos que A atrae a B si P (B|A) > P (B) y A repele a B si P (B|A) < P (B). (a) Demuestre que si B
atrae a A entonces A atrae a B y B c repele a A. (b) Un documento que buscamos esta en alguno de los
n folders de un cajon y Bj respresenta el evento de que este en el j-esimo folder, donde P (Bj ) = bj > 0.
Por otro lado Fj representa el evento de que en una b usqueda rapida en el folder j no encontremos el
documento, y P (Fj |Bj ) = aj < 1. Demuestre que Bj y Fj son mutuamente repelentes, pero que Fj
atrae a Bi para i 6= j.
I a) Como B atrae a A, usando la definicion tenemos que P (A B) > P (A)P (B). Dividiendo ahora por
P (A) obtenemos P (B|A) > P (B). Por otro lado
bj (1 bj )(1 aj )
P (Bj ) P (Bj |Fj ) = > 0,
1 bj + aj bj
bi bi bj (1 aj )
P (Bi |Fj ) P (Bi ) = bi = > 0,
1 bj + aj bj 1 bj + aj bj
J
11 El Problema de los Puntos Dos jugadores que llamaremos A y B juegan una serie de juegos
independientes y en cada uno ambos tienen igual probabilidad de ganar. Ambos apuestan una cierta
cantidad C y el acuerdo es que el primero en ganar n juegos gana la apuesta. Sin embargo, la serie
de juegos se interrumpe antes de que alguno de los jugadores haya ganado n juegos. La pregunta es
como debe repartirse el dinero de la apuesta?
I Este problema, conocido como el problema de los puntos, tiene una larga historia, fue considerado por
Pascal y Fermat en su correspondencia y resuelto por ambos. La idea de Pascal es que el monto de la
apuesta debe repartirse en proporcion a la probabilidad que cada jugador tiene de ganar si la serie de
juegos continuara.
Veamos un caso extremo para comenzar. Supongamos que n = 5 y la serie de juegos se detiene cuando
A ha ganado 4 juegos y B no ha ganado ninguno. En esta situacion la u nica manera en que B puede
ganar es si gana 5 partidas seguidas. Como los juegos son independientes y la probabilidad de ganar en
cada juego es 1/2, la probabilidad de que B gane es (1/2)5 = 1/32. Por lo tanto, de acuerdo a Pascal
B debera recibir 1/32 del total de la apuesta y A debera recibir el resto.
Veamos otro caso particular. Supongamos que A necesita un juego para ganar mientras que B necesita
3. Para decidir quien gana A y B deben jugar a lo sumo tres juegos mas. Veamos cuales son los
resultados posibles de tres juegos:
En siete de ellos, los que estan subrayados, A gana al menos un juego antes de que B gane tres. Como
todas las series de tres juegos tienen la misma probabilidad 1/8, A gana con probabilidad 7/8 y A debe
llevarse 7/8 partes de la apuesta.
Se puede argumentar que si A gana la primera partida, la serie termina all pues ya se sabe que A es
el ganador, de modo que en realidad solo tendramos las siguientes posibilidades:
A BA BBA BBB
Sin embargo, estos eventos no son igualmente probables: las probabilidades respectivas son 1/2, 1/4,
1/8 y 1/8. Como en los tres primeros casos A gana la serie, la probabilidad de que esto ocurra es
1 1 1 7
+ + =
2 4 8 8
3.4. EVENTOS INDEPENDIENTES 83
que es el resultado que obtuvimos anteriormente. La ventaja del primer enfoque es que facilita el
calculo pues como los eventos son equiprobables, solo hay que contar en cuantos casos gana A. Este es
el enfoque que vamos a tomar para resolver el caso general, que formulamos a continuacion.
Si A ha ganado n a juegos y B ha ganado n b, el problema se puede se puede plantear de manera
equivalente como sigue: Cual es la probabilidad de que A gane a juegos antes de que B gane b juegos?
Llamemos u(a, b) la probabilidad que queremos calcular. Para que el evento que nos interesa ocurra,
A y B deben jugar a lo sumo a + b 1 juegos. Por lo tanto la probabilidad de que A gane la serie es la
probabilidad de que A gane al menos a juegos en una serie de a + b 1. La probabilidad de que A gane
exactamente k juegos en esta serie tiene una distribucion binomial con a + b 1 ensayos y probabilidad
de exito en cada ensayo 1/2, esto es
a + b 1 1 a+b1
k 2
Como u(a, b) es la probabilidad de que A gane al menos a juegos en una serie de a + b 1 tenemos
X
a+b1 b1
a + b 1 1 a+b1 X a + b 1 1 a+b1
u(a, b) = = .
k 2 k 2
k=a k=0
12 Cadenas de Markov. En un proceso de fabricacion se sabe que una maquina produce siempre la
misma cantidad C de artculos, que se dividen en dos categoras, A y B. La maquina puede operar
en dos estados, E1 y E2 , y las probabilidades respectivas de producir un artculo de tipo A son p1 y
p2 , donde p2 > p1 . Las condiciones del proceso determinan que la maquina debe operar en un mismo
estado toda una jornada.
Si la maquina trabaja un da en el estado Ei , i = 1, 2, al da siguiente hay que determinar si va a
operar en el mismo estado o en el otro. El problema que vamos a enfocar es el de regular el proceso.
Tomamos las decisiones del siguiente modo:
Este esquema de decisiones nos dice que si estamos en el estado E1 , al da siguiente nos mantenemos en
este estado o lo cambiamos al estado E2 , segun ciertas probabilidades a y 1 a, que podemos calcular a
partir de la distribucion binomial, conocidos C, p1 y s. De manera similar, si estamos en el estado E2 ,
lo mantenemos o no en la jornada siguiente seg un ciertas probabilidades b y 1 b, calculadas tambien
con la distribucion binomial conocidos C, p2 y t.
Llamando Ein , i = 1, 2; n = 1, 2, . . . el suceso en el n-esimo da la maquina funciona en el estado Ei
tenemos
P (E1n+1 |E1n ) = a P (E2n+1 |E1n ) = 1 a (3.7)
P (E2n+1 |E2n ) =b P (E1n+1 |E2n ) =1b (3.8)
84 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
para cualquier n 1.
Observamos que las probabilidades de pasar de un estado a otro dependen solamente del estado en el
cual la maquina opero el da previo, y no de los restantes das pasados, cualquiera sea el n
umero n + 1.
Representemos las probabilidades de cambio de estado por una tabla:
Dia n + 1
.........................................................................................
.... .... ....
...E
.. 1 ...
..
E 2 ...
..
..............................................................................................................................
...... ... ... ...
D E ......
...... 1 .....
...
a ...
1a
...
...
...
i ...... .
.
.............................................................................................................................
..
a ...... ... ... ...
n E
...... ... ... ...
...... 2 .. 1b .. b
..................................................................................................................................
..
Tabla 3.2
de donde obtenemos la matriz
a 1a
M= .
1b b
Observamos que las sumas de las filas de M tienen el valor constante 1. Una matriz con esta propiedad,
y para la cual aij 0, se llama estocastica o de Markov. Podemos, ahora, calcular probabilidades de
interes, como por ejemplo la probabilidad de pasar del estado Ei al estado Ej en m pasos. Sea
(m)
pij = P (pasar del estado Ei al Ej en m pasos)
donde i, j = 1, 2.
Ahora bien, considerando el estado ocupado en el primer paso, esta probabilidad se puede expresar:
(m) (1) (m1) (1) (m1)
pij = pi1 p1j + pi2 p2j
2
X (1) (m1)
= pik pkj
k=1
(1) (1)
Los terminos pij para i fijo, son los terminos de la i-esima fila de M , y los terminos pij para j fijo,
son los terminos de la columna j de M .
(m1) (1)
Si m = 2, de modo que pkj = pkj , obtenemos
(2) (1) (1) (1) (1) (2) (1) (1) (1) (1)
p11 = p11 p11 + p12 p21 p12 = p11 p12 + p12 p22
(2) (1) (1) (1) (1) (2) (1) (1) (1) (1)
p21 = p21 p11 + p22 p21 p22 = p21 p12 + p22 p22
(2)
de donde se observa que los terminos pij son los terminos de la matriz M 2 , esto es
2
a + (1 a)(1 b) a(1 a)(1 b)b
M2 =
2
a(1 b) + b(1 b) (1 b)(1 a) + b
es decir, la primera fila de M , y en general, procediendo por induccion, tendremos para el (m1)-esimo
da:
(1, 0)M m .
Si en el primer da del proceso estamos en E1 o E2 con probabilidades p y 1 p, determinadas por
alg
un procedimiento azaroso, al cabo de m pasos, es decir el da m + 1, tendremos para cada estado
las probabilidades determinadas por el vector
(p, 1 p)M m
Se nos presenta ahora el problema de calcular las potencias de M , y observar si cuando m resulta
un valor lmite para M m . Ahora bien, como M m es estocastica, es suficiente calcular los elementos
alg
(m) (m)
de la diagonal de la matriz M m . Sea am = p11 , a1 = a, bm = p22 , b1 = b. Tenemos
am+1 = am a + (1 am )(1 b)
bm+1 = bm b + (1 bm )(1 a)
Estudiemos la primera de estas igualdades recurrentes, ya que la segunda se obtiene cambiando a por
b y am por bm . Resulta
am+1 am = am a + (1 am )(1 b) am
= am a + (1 am )(1 b) am1 a (1 am1 )(1 b)
= (am am1 )a (1 b)(am am1 )
m = (1 + b + a)m1
= (1 + b + a)2 m2
= (1 + b + a)m1 1
Supongamos por el momento que 0 < b + a < 2, de modo que | 1 + b + a| < 1. Obtenemos entonces
am+1 = m + m1 + + 1 + a
m1
X
= a + 1 (1 + b + a)j
j=0
1 (1 + b + a)m 1
=a+
2 + b + a
y como
1 = a2 a1 = a2 + (1 a)(1 b) a
= (a 1)(1 + b + a)
entonces
(1 + b + a)m 1
am1 = a + (a 1)(1 + b + a)
2 + b + a
86 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
y de manera similar
(1 + b + a)m 1
bm+1 = b + (b 1)(1 + b + a)
2 + b + a
y los demas terminos de la matriz se obtienen como 1 am+1 y 1 bm+1 .
En particular, haciendo m obtenemos
(a 1)(1 + b + a)
am a = a +
2ab
1b
=
2ab
pero este es un caso sin interes porque la maquina permanece siempre en el estado del cual parte. Por
otro lado, si a + b = 0, es decir a = b = 0 resulta
1 0
M=
0 1
y no existe distribucion lmite porque saltamos con probabilidad 1 de un estado al otro en cada paso.
Se
nalamos tambien, que resulta intuitivo que obtenemos de este modo una regulacion efectiva del
n
umero de artculos de categora A producidos, al menos a la larga, o sea, despues de un n
umero
grande de das de aplicar el sistema de decisiones. J
3.4. EVENTOS INDEPENDIENTES 87
Ejercicios.
1. Sea A, B y C eventos con probabilidad estrictamente positiva. Demuestre las siguientes relaciones:
3. Un detector de mentiras muestra una se nal positiva (indicando una mentira) 10 % de las veces que el
sujeto dice la verdad y 94 % de las veces que miente. Si dos personas son sospechosas de un crimen que
se sabe ha cometido uno solo de ellos, y ambos dicen ser inocentes, cual es la probabilidad de que una
se
nal positiva del detector corresponda al culpable?
4. Se obtiene una muestra de cuatro bolas a partir de una bolsa que contiene doce, de las cuales ocho
son blancas. Si el muestreo es sin reposicion, halle la probabilidad de que la tercera bola sea blanca, si
sabemos que la muestra tiene tres bolas blancas. Que sucede si el muestreo se hace con reposicion?
5. Se lanza un par de dados simetricos. Calcule la probabilidad de que la suma sea 7 dado que:
6. Una bolsa contiene cuatro bolas blancas y dos negras y otra contiene tres de cada color. Se escoge
una bolsa al azar y luego se selecciona una bola, tambien al azar. Cual es la probabilidad de que sea
blanca?
7. Una caja contiene 10 focos, cuatro malos y seis buenos. Los focos se prueban de la siguiente manera:
se extraen al azar y se prueban sin reemplazarlos. Este proceso se repite hasta localizar los cuatro en
mal estado. Cual es la probabilidad de que el u
ltimo en mal estado se identifique en la quinta prueba?
y en la decima?
8. Cierta vacuna brinda proteccion parcial contra una enfermedad, de modo que una persona vacunada
tiene probabilidad 0.4 de contraer la enfermedad, mientras que para una persona no vacunada esta
probabilidad es de 0.8. Si 75 % de la poblacion esta vacunada, Cual es la probabilidad de que una
persona que tiene la enfermedad haya sido vacunada?
9. Luego de una serie de pruebas para evaluar un nuevo tipo de examen para detectar cancer, se ha
determinado que 97 % de los pacientes cancerosos de un hospital reaccionan positivamente, mientras
que solo 5 % de aquellos que no tienen cancer muestran un resultado positivo. Si 2 % de los pacientes
del hospital tienen cancer, cual es la probabilidad de que un paciente elegido al azar que reacciona
positivamente al examen realmente tenga cancer?
10. Suponga que 5 % de los hombres y 25 de cada 10.000 mujeres son daltonicos. Se escoge un daltonico
al azar, cual es la probabilidad de que sea hombre?
11. Una ferretera tiene tres cajas con igual cantidad de tornillos. Dos de las cajas contienen 5 % de tornillos
defectuosos y la otra contiene 10 %. Se escogen dos cajas al azar y se mezclan y de ella se extraen cinco
tornillos, uno de los cuales es defectuoso, cual es la probabilidad de que una de las cajas usadas en la
mezcla haya sido la que contena 10 % de defectuosos?
88 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
12. Tres sucursales de una tienda tienen 8, 12, y 14 empleados de los cuales 4, 7 y 10 son mujeres,
respectivamente.
a. Se escoge una sucursal al azar y de ella se escoge un empleado. Si este es una mujer, cual es la
probabilidad de que ella trabaje en la sucursal con 12 empleados?
b. Si se escoge un segundo empleado de la misma sucursal, cual es la probabilidad de que se escoja
una mujer?
13. Las se
nales telegraficas punto y raya se envan en proporcion 3:4. Debido a ciertas condiciones
que causan una transmision muy erratica, un punto se transforma en una raya con probabilidad 1/4,
y una raya en un punto con probabilidad 1/3. Si se recibe un punto, cual es la probabilidad de que
haya sido enviado un punto?
14. En una bolsa hay cinco bolas blancas y tres negras y en otra hay tres blancas y siete negras. Se escoge
una bolsa al azar y se selecciona una bola, cual es la probabilidad de que sea blanca?
15. La caja I contiene 50 tornillos y 70 clavos. La caja II contiene 40 tornillos y 20 clavos.
a. Calcule la probabilidad de extraer un tornillo si se selecciona una caja al azar y luego se extrae un
objeto.
b. Calcule la probabilidad de extraer un tornillo si se mezclan los contenidos de ambas cajas y luego
se extrae un objeto.
c. Si se selecciona una caja al azar y luego se extrae un objeto que resulta ser un tornillo, cual es la
probabilidad de que provenga de la caja I?
16. Lanzamos una moneda repetidamente hasta que obtener sol diez veces. a) Cual es la probabilidad de
no haber obtenido dos aguilas en sucesion para ese momento? b) Cual es la probabilidad de no haber
obtenido dos soles en sucesion para ese momento?
17. Se extrae una bola de una caja que contiene cuatro blancas y dos negras. Si la bola es blanca se la deja
fuera de la bolsa, mientras que si es negra se la vuelve a colocar dentro. Extraemos luego otra bola.
Sea A el evento la primera bola es blanca y B = la segunda bola es blanca. Diga si las siguientes
proposiciones son ciertas o falsas:
18. Lanzamos una moneda tres veces y consideramos los siguientes eventos: A: el primer lanzamiento es
aguila, B: el segundo lanzamiento es sol, C: el tercer lanzamiento es aguila, D: los tres lanzamientos
son iguales, E: hay exactamente un aguila en los tres lanzamientos.
a. Cuales de los siguientes eventos son independientes?
(i) A, B (ii) A, D (iii) A, E (iv) D, E.
b. Cuales de los siguientes tros de eventos son independientes?
(i) A, B, C (ii) A, B, D (iii) C, D, E.
19. Sean A y B dos eventos disjuntos. Demuestre que si A y B son independientes, alguno de los dos tiene
probabilidad 0.
20. De un ejemplo de tres eventos A, B, C tales que P (AB C) = P (A)P (B)P (C) pero P (Ac B c C c ) 6=
P (Ac )P (B c )P (C c ).
21. Sea A, B y C eventos independientes y P (C) 6= 0. Demuestre:
a. P (A B|C) = P (A|C)P (B|C). b. P (A B|C) = P (A|C) + P (B|C) P (A B|C).
c. P (A|B B) = P (A) siempre que P (B C) 6= 0.
3.4. EVENTOS INDEPENDIENTES 89
22. Sean G = {1, 2, 3}, H = {4, 5, 6} Lanzamos dos dados y sean los eventos A : el primer dado cae en
H, B :El segundo dado cae en H, C : un dado cae en G y el otro en H, D : el total es cuatro, E : el
total es cinco y F : el total es siete. Cuales de las siguientes proposiciones son ciertas?
23. a. De un ejemplo de tres eventos A, B y C tales que P (A B C) = P (A)P (B)P (C) pero P (Ac
B c C c ) 6= P (Ac )P (B c )P (C c ).
b. Demuestre que si P (ABC) = P (A)P (B)P (C); P (Ac BC) = P (Ac )P (B)P (C); P (AB c C) =
P (A)P (B c )P (C) y P (A B C c ) = P (A)P (B)P (C c ) entonces A, B y C son independientes.
25. Lanzamos un dado cinco veces, a. Si el dado sale 1 al menos una vez, cual es la probabilidad de que
salga 1 al menos dos veces? b. Si el primer lanzamiento due 1, cual es la probabilidad de que salga 1
al menos dos veces?
26. Lanzamos una moneda repetidamente hasta que sol haya ocurrido diez veces. a) Cual es la probabilidad
de que para ese momento no hayan ocurrido dos aguilas seguidas? b) Cual es la probabilidad de que
para ese momento no hayan ocurrido dos soles seguidas?
27. Sea = {a, b, c, d, e} y P (a) = P (b) = 1/8, P (c) = P (d) = P (e) = 3/16. Sean A = {a, d, e},
B = {a, c, e} y C = {a, c, d}. Demuestre que P (A B C) = P (A)P (B)P (C) pero ning
un par de
eventos son independientes.
28. Se toma una muestra de cinco transistores producidos por una maquina que en promedio produce 20 %
de transistores defectuosos.
a. Calcule la probabilidad de que si seleccionamos un transistor de la muestra, este resulte defectuoso.
b. Suponga que seleccionamos al azar un transistor de la muestra y resulta defectuoso, cual es la
probabilidad de que un segundo transistor seleccionado al azar resulte defectuoso?
30. a. Si sabemos que una mano de poker tiene al menos tres aces cual es la probabilidad de que tenga
los cuatro? b. Si sabemos que una mano de poker tiene los aces de corazon, trebol y diamante cual
es la probabilidad de que tambien tenga el as de pica? c. Halle la probabilidad de que una mano de
poker tenga los dos aces negros dado que tiene al menos tres aces.
31. En un closet hay tres pares de medias blancas y dos de media negras. Las medias con todas nuevas y
del mismo estilo y tama
no. Si seleccionamos dos medias al azar, cual es la probabilidad de que formen
un par? Resuelva el mismo problema cambiando media por zapatos.
32. En un closet tenemos seis pares diferentes de zapatos. Si sacamos cinco zapatos al azar Cual es la
probabilidad de obtener al menos un par de zapatos?
90 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
33. Una muestra de tama no 4 se extrae con reposicion de una bolsa que contiene 6 bolas, de las cuales 4
son blancas. Sea A el evento exactamente una de las dos primeras bolas extradas es blanca y sea
B = la cuarta bola es blanca. Son A y B independientes? Que sucede si el muestreo se realiza sin
reposicion?
34. Considere de nuevo el ejercicio anterior y definamos C como el evento exactamente dos de las bolas
extradas son blancas Son A, B y C independientes? Son B y C independientes?
35. Un fabricante de motos inscribe tres corredores en una carrera. Sea Ai , i = 1, 2, 3 el evento definido por
el i-esimo corredor finaliza la carrera en alguno de los tres primeros lugares. Si los eventos A1 , A2
y A3 son independientes y P (A1 ) = P (A2 ) = P (A3 ) = 0, 1 calcule las probabilidades de los siguientes
eventos:
a. Ninguno de los corredores termina entre los tres primeros.
b. Al menos uno termina entre los tres primeros.
c. Al menos dos terminan entre los tres primeros.
d. Todos terminan entre los tres primeros.
36. Sean A y B eventos independientes tales que con probabilidad 1/6 ocurren simultaneamente, y con
probabilidad 1/3 ninguno de ellos ocurre. Halle P (A) y P (B). Estan determinadas de forma u
nica
estas probabilidades?
37. Cual es el menor valor de n para el cual la probabilidad de obtener al menos un 6 en una serie de n
lanzamientos de un dado es mayor que 3/4?
38. Los eventos A1 , A2 , . . . son independientes y P (Aj ) = p, j = 1, 2, . . . Halle el menor valor de n para
el cual P (n1 Ak ) p0 donde p0 es un n umero fijo.
39. Una maquina consiste de 4 componentes conectados en paralelo, de modo que la maquina falla solo
si los cuatro componentes fallan. Supongamos que los componentes son independientes entre s. Si los
componentes tienen probabilidades 0.1; 0.2; 0.3 y 0.4 de fallar cuando la maquina es encendida, cual
es la probabilidad de que funcione al encenderla?
40. En una fabrica de computadoras un inspector revisa un lote de 20 maquinas y encuentra que 3 de ellas
necesitan ajustes antes de empacarlas. Otro empleado descuidado mezcla las computadoras que haban
sido revisadas, de modo que el inspector tiene que hacerlo otra vez. a. Cual es la probabilidad de que
no haga falta probar mas de 17 computadoras? b. Cual es la probabilidad de que haga falta probar
exactamente 17 computadoras?
42. Se lanza una moneda balanceada n veces. Muestre que la probabilidad condicional de aguila en cualquier
lanzamiento especfico dado que hay k aguilas en n lanzamientos es k/n (k > 0).
43. Suponga que A y B son eventos tales que P (A|B) = P (B|A), P (AB) = 1 y P (AB) > 0. Demuestre
que P (A) > 1/2.
44. Un arquero acierta al centro de la diana con probabilidad 0.9. a) Cual es la probabilidad de que logre
acertar 8 veces si lanza 10 flechas? b) Si lanza flechas hasta acertar 8 veces al centro de la diana,
Cual es la probabilidad de que necesite a lo sumo lanzar 10 flechas?
3.4. EVENTOS INDEPENDIENTES 91
45. Considere estos dos sistemas de ensayos de Bernoulli: 1) Lanzamos una moneda y aguila es exito; 2)
Lanzamos un dado y 6 es exito. Para cada uno de estos casos calcule P (A)/P (B), donde A: el tercer
exito ocurre en el quinto ensayo, B: tres de los primeros cinco ensayos resultan en exito. Generalice
reemplazando 3 por i y 5 por j.
47. La caja A tiene dos bolas rojas y tres negras. La caja B tiene cinco rojas y una blanca. Se selecciona
una bola al azar de la caja A y se coloca en la caja B y luego se escoge una bola al azar de la caja B. a)
Cual es la probabilidad de que ambas bolas sean rojas? b) Cual es la probabilidad de que la segunda
bola sea roja? c) Dado que la segunda bola es roja Cual es la probabilidad de que la primera tambien
haya sido roja? d) Dado que la segunda bola es blanca cual es la probabilidad de que la primera haya
sido roja?
48. Una fabrica produce 300 automoviles al da. La fabrica compra bateras de dos proveedores. La com-
pa
na A le vende 100 bateras al da, de las cuales 99 % funcionan correctamente. Las otras 200 bateras
son producidas por la compa na B, de las cuales 5 % son defectuosas. Si seleccionamos un auto al azar
de la produccion de un da y la batera es defectuosa cual es la probabilidad de que haya sido producida
por la empresa B?
49. Un empleado debe verificar el funcionamiento de una maquina que produce tornillos al inicio del da.
Esta maquina necesita repararse una vez cada 10 das, en promedio y cuando necesita repararse, todos
los tornillos que produce son defectuosos. Cuando la maquina trabaja adecuadamente, 5 % de los
tornillos producidos son defectuosos y aparecen al azar a lo largo de la produccion del da. Cual es la
probabilidad de que la maquina este funcionando bien si a. el primer tornillo que el inspector revisa es
defectuoso? b. los dos primeros tornillos que el inspector revisa son defectuosos? c. los tres primeros
son defectuosos?
50. Una carta de un juego de naipes se ha perdido. Trece cartas se extraen de las 51 restantes y resultan
ser tres diamantes, dos picas, cuatro corazones y cuatro treboles. Halle la probabilidad de que la carta
perdida sea de cada una de las pintas.
51. Resuelva el problema de los puntos cuando los dos jugadores tienen probabilidades p y q = 1 p de
ganar.
52. Las cajas de cerillos de Banach. Una persona tiene dos cajas de n cerillos, una en el bolsillo derecho
y otra en el izquierdo. Cuando necesita un cerillo escoge una caja al azar hasta que se encuentra una
caja vaca. Cual es la probabilidad de que la otra caja tenga k cerillos? (El celebre matematico polaco
Stefan Banach sola reunirse con otros matematicos en el Cafe Escoces en Lwow, Polonia, en donde
haba un cuaderno en el cual se anotaban los problemas planteados y sus soluciones. Esta libreta se
conoce como el Libro Escoces. El problema anterior es el u ltimo problema incluido en este libro).
53. La paradoja de Galton. Si lanzamos tres monedas al menos dos de ellas son iguales, y la tercera
tiene probabilidad 1/2 de caer aguila o sol, de modo que la probabilidad de que las tres sean iguales
es 1/2. En realidad la probabilidad de que las tres monedas sean iguales es 1/4. Que esta mal en el
razonamiento anterior?
54. El modelo de P olya. El matematico polaco G. Polya propuso el siguiente modelo para el proceso
de contagio. Comenzamos con una caja que contiene una bola blanca y otra negra. Cada segundo
escogemos una bola al azar de la caja, la reemplazamos y a nadimos otra del mismo color. Haga una
simulacion d este proceso con una computadora y trata de hacer una prediccion sobre la proporcion
de bolas blancas luego de un tiempo largo. Es cierto que las proporciones de bolas de un color dado
tienen una tendencia a estabilizarse?
92 CAPITULO 3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA
55. En una coleccion de 65 monedas una de ellas tiene dos aguilas y el resto son monedas normales. Si
seleccionamos una moneda al azar y al lanzarla sale aguila seis veces seguidas, Cual es la probabilidad
de que hayamos escogido la moneda con dos aguilas?
56. Te dan dos cajas y cincuenta bolas, la mitad blancas y la otra mitad negras. Debs distribuir las bolas en
las cajas sin restricciones pero quieres maximizar la probabilidad de obtener una bola blanca si escoges
una caja al azar y luego una bola al azar. Como debes distribuir las bolas? Justifica tu respuesta.
57. Lanzamos una moneda n veces y obtenemos k soles. Demuestra que la probabilidad condicional de
obtener un sol en cualquier lanzamiento especfico, dado que hay k soles en total es k/n.
58. La paradoja de Simpson. Un fabricante de focos tiene dos plantas. La planta A vende lotes de
focos que consisten de 1000 focos regulares y 2000 focos ahorradores. A traves de pruebas de control
de calidad se sabe que, en promedio, hay 2 focos regulares y 11 ahorradores defectuosos por lote. En
la planta B se venden lotes de 2000 focos regulares y 1000 ahorradores, y en promedio hay 5 regulares
y 6 ahorradores defectuosos por lote.
El gerente de la planta A afirma que ellos son mas eficientes pues sus tasas de focos defectuosos son
0.2 % y 0.55 % mientras que para la otra planta son 0.25 % y 0.6 %. Por su parte el gerente de la
planta B responde diciendo cada lote de 3000 focos que producimos contiene 11 focos defectuosos,
comparado con 13 defectuosos para los focos producidos por A, de modo que nuestra tasa de 0.37 %
de focos defectuosos es inferior a la de ellos, que es 0.43 %. Quien tiene la razon?
59. El evento A atrae al evento B si P (B|A) > P (B) (ver el ejercicio 3.4.1). a) Es transitiva esta relacion?
b) Demuestre que si A atrae a B y a C pero repele a B C, entonces A atrae a B C. c) Es posible
que A atraiga a B y a C pero repela a B C? d) Demuestre que si B1 , . . . Bn es una particion dl
espacio muestral y A atrae algun Bj entonces debe repeler a alg un Bi .
60. Demuestre que si A1 , . . . An son eventos independientes definidos en un espacio muestral y 0 <
P (Ai ) < 1 para todo i, entonces debe tener al menos 2n puntos.
Captulo 4
Variables Aleatorias
4.1. Introducci
on.
A la realizacion de un experimento aleatorio le hemos asociado un modelo matematico representado por
un espacio de probabilidad (, F, P ), donde es el conjunto de resultados posibles del experimento, F es
la coleccion de eventos, de acuerdo a la seccion 2.1 y P es una funcion que le asigna a cada conjunto en F
un numero entre 0 y 1 que representa su probabilidad y satisface las condiciones de la seccion 2.2.
Con frecuencia estamos interesados en considerar funciones definidas sobre , es decir, correspondencias
que asocian a cada evento elemental un cierto valor. Por ejemplo, en los casos de muestreo que hemos
mencionado anteriormente, si tomamos una muestra de tama no n de los objetos producidos en una fabrica,
el espacio muestral correspondiente es
= {(e1 , . . . , en ) : ei = 0 o 1, i = 1, . . . n}
donde ei = 0 indica que hemos extrado un objeto bueno la i-esima vez y ei = 1 que hemos extrado uno
defectuoso y nos interesa la funcion
n
X
(e1 , . . . , en ) 7 ei
i=1
y = (x1 , x2 , . . . , xk ) (4.1)
donde : Rk R y que cada una de las magnitudes x1 , x2 , . . . , xk se calcula a su vez con un cierto
error de redondeo, es decir que en lugar de valores exactos x1 , x2 , . . . , xk obtenemos valores aproximados
x
1 , x
2 , . . . , x
k , respectivamente:
xi = x
i + i (i = 1, . . . , k)
donde 1 , 2 , . . . , k son los errores de redondeo.
Si en lugar de (4.1) calculamos
y = (
x1 , x
2 , . . . , x
k ) = (x1 1 , x2 2 , . . . , xk k )
94 CAPITULO 4. VARIABLES ALEATORIAS
y y = (x1 , x2 , . . . , xk ) (x1 1 , x2 2 , . . . , xk k )
que es funcion del evento elemental (1 , 2 , . . . , k ), considerado como elemento del espacio muestral
= {(1 , 2 , . . . , k ) : i R, (i = 1, . . . k)}.
Del mismo modo el lector puede verificar que en cada uno de los ejemplos que hemos considerado anterior-
mente, aparecen vinculadas a los problemas en cuestion ciertas funciones de los resultados obtenidos en los
experimentos aleatorios, es decir, funciones de los eventos elementales. Estas funciones se llaman variables
aleatorias.
Con frecuencia va a resultar de interes poder calcular la probabilidad de que una variable aleatoria X
tome valores en un intervalo I, es decir, la probabilidad del conjunto
{ : X() I}.
Pero esto solo podemos hacerlo si este conjunto esta en F, ya que P esta definida u
nicamente sobre F, y en
principio, si X es cualquiera, este conjunto no tiene por que estar en F. Por lo tanto exigiremos como parte
de la definicion de variable aleatoria, que para cualquier intervalo I R el conjunto { : X() I} este en
F.
.
....
...
..
...
.
... ............ . . ............................. X ...
...
..
...
........... ........
...
. ...
..
.......... ....
.
..........................................
.... ..
..... ...
...
...
................... ...
.
......... ..
. ...
....
................. .... ...
...
. .... .....
......... .
......... ....................... ....
...........
...
............... ....
.
.
....
. .. ... . .
. .......... ....
. .
..
.....
...
.
.
..... .
...
...
...... ........
.
...
.
.
...
...
..
.. .
..
...
I
..... .........
..
. ..........
.
....... .
. ..
...
.....
{ : X() I} .
.
...
. ...
...
.... ..
. ...
... ... ...
... .... ...
...
....
... .
..
.
...
. ...
... R
... .
....
.
. ...
...
....
.. ...
... .
... ...
....
...
...
... .
......
....
.
.
..
. ...
...
.... . . .
.. ...
..... ..... . .... ...
......
....... ..
... ........ ...
........... .
...
....
......... ...
.....................................
...
.
Figura 4.1
Definici
on 4.1 Sea (, F, P ) un espacio de probabilidad. Una funcion
X:R
es una variable aleatoria real, o simplemente una variable aleatoria, si se cumple que para cualquier intervalo
I en R, el conjunto
{ : X() I}
es un evento (es decir, esta en F).
Para definir el concepto de variable aleatoria vectorial, introducimos primero el concepto de intervalo en
Rm .
4.1. INTRODUCCION. 95
Definici
on 4.3 Una funcion
Y : Rm
es una variable aleatoria vectorial, o simplemente un vector aleatorio, si se cumple que para cualquier intervalo
I en Rm , el conjunto
{ : Y () I}
es un evento (es decir, esta en F).
Frecuentemente denotaremos al conjunto { : X() I} por {X I} o por X 1 (I), y lo llamaremos la
preimagen de I por la funcion X. La definicion dice que X es una variable aleatoria si la preimagen por X
de cualquier intervalo es un evento.
Por ejemplo, si F es la familia de todos los subconjuntos de , cualquier funcion X definida sobre es
una variable aleatoria, ya que para cualquier intervalo I
X 1 (I) = { : X() I}
y por lo tanto X 1 (I) F. Si en cambio F no es la familia de todos los subconjuntos de , una funcion
definida sobre no tiene por que satisfacer la definicion de variable aleatoria. Como ejemplo consideremos
= {1, 2, 3, 4, 5, 6}, F = {, {1, 3, 5}, {2, 4, 6}, }
y la funcion X() = . X no es una variable aleatoria, porque, por ejemplo,
X 1 ([0, 3/2]) = {1}
/ F.
Ejemplos
1. Sea c un n
umero real, la funcion X definida por X() = c para todo es una variable aleatoria, ya
que para cualquier intervalo I,
(
, si c I
{ : X() I} =
, si c
/I
y tanto como son siempre eventos. Esta es una variable aleatoria constante.
2. Sea c un n
umero real y definamos la funcion X : R R por X() = + c. En este caso el espacio de
probabilidad sobre el cual esta definida la funcion X es (R, B, P ) donde B son los conjuntos de Borel
y P es alguna probabilidad definida sobre B. Sea I alg un intervalo en R,
{ : X() I} = { : + c I} = { : I c} = I c
donde, si A es un conjunto cualquiera y c una constante, definimos
A + c = {x : x = a + c, a A}.
Por lo tanto, la preimagen de cualquier intervalo I por X es otro intervalo que se obtiene trasladando
I una distancia c. Pero como todo intervalo es un conjunto de Borel vemos que
{ : X() I} B
y X es una variable aleatoria.
96 CAPITULO 4. VARIABLES ALEATORIAS
Observamos que el evento A ocurre si y solo si X() = 1. Ademas si I es un intervalo tenemos que
, si 0, I, 1I
A, si 0 / I, 1I
{ : X() I} =
Ac , si 0 I, 1
/I
, si 0 / I, 1
/I
A = { : X() = 1}
Demostraci on. Puesto que los intervalos son conjuntos de Borel, si se cumple (4.2) se cumple que la
preimagen de cualquier intervalo es un evento, y por lo tanto X es una variable aleatoria.
Recprocamente, supongamos que la preimagen por X de cualquier intervalo es un evento. Tenemos que
probar que la preimagen de cualquier conjunto de Borel tambien es un evento.
Consideremos la familia D de subconjuntos de Rm definida por
D = {D Rm : X 1 (D) F}
o sea que D es la familia de los conjuntos D Rm cuya preimagen por X es un evento. Tenemos:
(II) D D Dc D ya que
n=1 Dn F
ya que
X 1 (
n=1 Dn ) = { : X() n=1 Dn }
=
n=1 { : X() Dn }
=
n=1 X
1
(Dn ) F.
Es decir, hemos demostrado que D es una -algebra, y como hemos supuesto que contiene a los intervalos
abiertos, D debe contener a la menor -algebra que contiene a los intervalos abiertos, que es justamente B.
Por lo tanto
B B B D X 1 (B) F
que es lo que queramos probar.
Consideremos ahora la siguiente situacion
X g
Rm R
Y () = g(X()).
Lema 4.2 Con las notaciones anteriores, si X y g son variables aleatorias, tambien lo es Y .
Demostraci on. Para probar que Y es una variable aleatoria, tenemos que ver que la preimagen de cualquier
intervalo I es un evento, es decir, esta en F. Tenemos:
Y 1 (I) = {Y I} = { : g(X()) I}
= { : X() g 1 (I)} = X 1 (g 1 (I)).
Dado que g es una variable aleatoria, g 1 (I) B, y como X tambien lo es, usando el lema 4.1 obtenemos
X 1 (g 1 (I)) F.
Observaci on 4.1 En el lema anterior X es una variable aleatoria vectorial, que toma valores en Rm , y por
lo tanto se puede escribir
X() = (X1 (), X2 (), . . . , Xm ())
donde cada una de las Xi , i = 1, . . . , m es una funcion
Xi : R
..................................... ...
....... ........ ...
..... .......
... ....... ................................................. ...
... ...... .......
....
. ...
....
......
...... .
............. .......
.
...... ...
.... ..... ..
....... .. ...
...
...
.....
.....
..... X ...
.
.
.....
........... ....
.. g
...
...
...
...
... .....
..
. ..
......
....................................................................... ........ ............ .
..... .
.. .. .
.... .
.. .
... ...
.. ..
. .
. . . . . . ...
... ............................................. ............... ... ............ .................. ......................... ....
... .
. .
.. ............... ..... . .
..... ...... .
..
................. ................
...... ... ...
............. ......
... .
.
. . ... .... .
.
...
.
.
.
. . ..... .. ..
.......... . ..... . .
.
...
................ ....
.
. . . . . ...
. .
.
...
...
...
...
...
...... ........ ... . ....
....
... ...
... .
... ...
.....
.
..................
.
. .
..
.
.
. .
........... ..
...
...
I
... ......... .. .... ..
. .
...
...
...
.
.
.. ..
. ...........
... .
...
... .
... .
.
..
.... ....
1 1 . 1 .
. ...
.....
.....
.....
X (g (I)) ....
...
. ....
.
.. g (I) ..
....
...
.
...
...
.....
.....
...
... ..... ..
..... ...
..... . . ....... ...
..... .. ...
...... ...
.....
......
......
...... .
..
.
.
.. ...
.
...
. .
.......
. ..
.......
...
...
R
....... ... ...
. ......... ...
....... ..... .... m
.........
............
.......................... ....
......
. . ........
.
...
.......... .............
. ....
...
R ...
...
.................................................. ...
Figura 4.2
Demostraci
on. Como
y cada uno de los conjuntos de la interseccion en el segundo miembro esta en F (por 2), concluimos que 3
es cierto. Recprocamente, si 3 es cierto, como
[
1
{X < c} = X c
n=1
n
vemos que los conjuntos que aparecen en la union estan en la -algebra F, de donde concluimos que {X <
c} F. Por lo tanto 2 es cierta, y como consecuencia 3, 4 y 5 tambien.
Finalmente, supongamos que 2, 3, 4 y 5 son ciertas; es facil ver que, para cualquier intervalo I, el conjunto
{X I} se puede escribir en base a los conjuntos que aparecen en las condiciones 2, 3, 4 y 5 usando uniones
e intersecciones. Por ejemplo, si I = [a, b) entonces
Por lo que hemos supuesto, los conjuntos del segundo miembro estan en F, y por las propiedades de F
concluimos que
{ : X() I} F
para todo intervalo I R.
Proposici
on 4.1 La suma de dos variables aleatorias tambien es una variable aleatoria.
Demostraci
on. Observamos que la desigualdad
X1 + X2 < c
X1 < r y r < c X2
Pero como X1 y X2 son variables aleatorias, por el lema 4.3 los conjuntos que aparecen en el segundo
miembro estan en F, y por lo tanto tambien esta su union.
De manera similar se puede demostrar que el producto, el cociente, etc. de variables aleatorias da como
resultado variables aleatorias.
Antes de enunciar el proximo resultado recordamos la definicion de funcion monotona.
Definici on 4.4 Decimos que g : R R es creciente (resp. decreciente) si se cumple que x1 < x2 g(x1 )
g(x2 ) (resp. g(x1 ) g(x2 )). Si en lugar de la desigualdad en sentido amplio (, ) ponemos en sentido
estricto (<, >), decimos que g es estrictamente creciente (resp. decreciente). Decimos que g es monotona
cuando es creciente o decreciente.
Proposici
on 4.2 Sea X : R una variable aleatoria y g : R R una funcion mon
otona. Entonces
Y : R definida por Y () = g(X()) tambien es una variable aleatoria.
Demostraci on. Supondremos que g es creciente. La demostracion para el caso decreciente es analoga. Por
el lema 4.2 es suficiente demostrar que g es una variable aleatoria, es decir, que para cualquier intervalo
I R se tiene que {z R : g(z) I} es un conjunto de Borel, pero por el lema 4.3 sabemos que es suficiente
demostrar que para cualquier c R se tiene que
{z R : g(z) < c} B.
Consideremos primero un caso particular: supongamos que la funcion g es continua y estrictamente creciente.
Se pueden presentar tres casos:
(A) La funcion siempre es mayor que c. En este caso el conjunto que nos interesa es vaco y por lo tanto
esta en B.
(B) La funcion siempre es menor que c. Entonces el conjunto que nos interesa es R y esta en B.
(C) Existe un unico punto y R tal que g(y) = c (ver Figura 4.3) y entonces el conjunto que nos interesa
esta formado por los puntos que estan a la izquierda de y, sin incluir a y, es decir
{z R : g(z) < c} = (, y)
y este conjunto esta en B, con lo cual hemos probado que g es una variable aleatoria.
100 CAPITULO 4. VARIABLES ALEATORIAS
......
..........
g(z)
w .... ...
... ....
... ......
... ..
.......
.
.
... .....
... .....
.....
c ...
... ...
.
.....
.....
...
... .....
... ......
... ......
......
... ............
........
.........
......... ....
.......
....
...
...
. .
..........................................................................................................................................
.
....
0 ...
y z
Figura 4.3
Figura 4.4
En general esto no ocurre para una funcion monotona cualquiera ya que el punto y puede no existir si la
funcion es discontinua, o puede no ser u
nico, si la funcion no es estrictamente creciente (Figura 4.4).
{z R : g(z) < c} = (, y] B
mientras que si y
/ {z R : g(z) < c} entonces
{z R : g(z) < c} = (, y) B
4.3. Funci
on de Distribuci
on.
Definici on 4.5 Sea (, F, P ) un espacio de probabilidad y X : R una variable aleatoria. Llamaremos
funcion de distribucion de la variable aleatoria X a la funcion F definida por
Proposici
on 4.3 Si F es una funci
on de distribuci
on, satisface las siguientes propiedades:
1. F es creciente (en sentido amplio).
2. limx F (x) = 0, limx+ F (x) = 1.
3. F es continua por la derecha.
Demostraci
on. Sea F la funcion de distribucion de la variable aleatoria X.
1. Si x1 < x2 entonces
2. Sea {xn } una sucesion decreciente de numeros reales, xn . Entonces, la sucesion de eventos
{ : X() xn } es una sucesion decreciente y ademas
\
{ : X() xn } = .
n=1
Por lo tanto
lim F (xn ) = lim P ({ : X() xn }) = P () = 0.
n n
Esto prueba que limn F (xn ) = 0. Del mismo modo, si {xn } es una sucesion creciente y xn ,
la sucesion de eventos { : X() xn } es creciente y
[
{ : X() xn } = .
n=1
Por lo tanto
lim F (xn ) = lim P ({ : X() xn }) = P () = 1.
n n
Veamos esto: \
{X a} = {X xn }
n
Recprocamente, si una funcion F : R [0, 1] satisface las propiedades 1, 2 y 3 se puede demostrar que
F es la funcion de distribucion de una variable aleatoria. Para esto basta tomar = R, F = la familia de
conjuntos de Borel de R y definir la probabilidad P de modo que
(la demostracion de la existencia de esta probabilidad P escapa al contenido de este texto). Entonces, F es
la funcion de distribucion de la variable aleatoria X() = , ya que
Llamemos
F (a ) = lim F (x),
xa
Proposici
on 4.4 Sea X una variable aleatoria con funci
on de distribuci
on F . Entonces
P (X (a, b]) = F (b) F (a) (4.3)
P (X [a, b]) = F (b) F (a ) (4.4)
P (X (a, b)) = F (b ) F (a) (4.5)
P (X [a, b)) = F (b ) F (a ) (4.6)
Demostraci
on. Veamos la demostracion de (4.4), las demas son similares:
P (X [a, b]) = P (X < b) P (X a) = F (b ) F (a)
Si ponemos ahora a = b = x en (4.4) obtenemos que
P (X = x) = F (x) F (x ) (4.7)
de modo que la funcion de distribucion es continua en x si y solo si P (X = x) = 0.
donde la suma se extiende a aquellos valores de n para los cuales xn x. La figura 4.5 (a) representa una
grafica tpica de funcion de distribucion de una variable aleatoria discreta, mientras que la figura 4.5 (b)
representa la funcion de probabilidad correspondiente.
Ejemplos
4.4. VARIABLES ALEATORIAS DISCRETAS. 103
....... ......
F (x) .............. .......
.
...
pn
... ..
... ...
.. ...
. .
...... ......
1 ..
...
.
...
1
... ..
... .................. ...
... ............................................... ...
... ..
p{ ...
i ... ............................. ...
...
... ...... ..
................................................................ .. ...
.. ...
..................
....................................
...
...
i ... p ...
... ..
.
... ..
. . .. .. ............................................................................................
.................................................................................................................................................................................................................................
. ...................................................................................................
. .
...
. ....
.... . .
...
0 ... x i x 0 .. x i x n
(a) (b)
Figura 4.5
1. Lanzamos dos dados y llamamos X a la suma de los resultados. Esta suma puede tomar once valores
distintos y si suponemos que los dados son simetricos podemos calcular la probabilidad de cada uno
de ellos:
xi : 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
pi : 36 36 36 36 36 36 36 36 36 36 36
El grafico correspondiente a esta funcion de probabilidad es el siguiente:
......
........
...
pn ....
..
...
..
6/36 ....... ..
...... ...
.... ... ....
..... .
. .
. ... ... ...
..
. .
.
. .
.
. ... ... ...
.... .... .. .. .
. . . . .
. ... ... .....
.... .
. .
. ..
. ..
. ..
. .
. ... .. ...
...... . . . . . .
1/36 .. .
..
.
.
..
.
.
..
.
.
.
..
.
.
.
..
.
.
.
..
.
.
.
..
.
...
.
.
...
.
...
. ..
. .
...........................................................................................................................................................................................................................................................
. .
.. .
0 ...
2 3 4 5 6 7 8 9 10 11 12 x
.. n
Figura 4.6
2. Consideremos una caja que contiene seis fichas numeradas del uno al seis. Se extraen dos fichas con
reposicion y se observa el mayor de los n
umeros. Como es la funcion de probabilidad de esta variable?
Como es, si el muestreo se realiza sin reposicion?
I Estudiemos primero el caso de muestreo con reposicion. El espacio muestral correspondiente a este
experimento es el conjunto de pares (1 , 2 ), donde i {1, 2, 3, 4, 5, 6} para i = 1, 2. La variable
aleatoria X : R que estamos considerando esta definida por
X(1 , 2 ) = max{1 , 2 }
y toma valores en el conjunto {1, 2, 3, 4, 5, 6}. Si suponemos que todas las fichas tienen la misma
probabilidad de ser extradas entonces todos los eventos elementales que componen el espacio muestral
son igualmente probables y su probabilidad es 1/36. Es facil ahora calcular la funcion de probabilidad
de la variable aleatoria X:
xi : 1 2 3 4 5 6
1 3 5 7 9 11
pi : 36 36 36 36 36 36
y su representacion grafica se presenta en la figura 4.8.
104 CAPITULO 4. VARIABLES ALEATORIAS
.
F (x) ..................
...
.
1 ........ .............
..
..................................................
.... ...............
...
.. ...............
...
...
... ...............
...
...
... ...............
...
18/36 ......
..
.... ...............
..
...
...
... ............ ...
...
..
6/36 ......
...
...............
... ...............
. ............... .
............................................. ..............................................................................................................................................................................................................................................
... . . . . . . . . . . . .
0 2 3 4 5 6 7 8 9 10 11 12 x
Figura 4.7
Veamos ahora que sucede si el muestreo se realiza sin reposicion. El espacio muestral es ahora el
conjunto de pares
{(1 , 2 ) : i {1, 2, 3, 4, 5, 6} y 1 6= 2 }
La variable
X(1 , 2 ) = max{1 , 2 }
ahora toma valores en el conjunto {2, 3, 4, 5, 6}.
......
.........
pn ..
...
...
...
11/36 ........
.. ....
.. ...
........ ... ...
... ... ...
..... . . .
. ...
.... .... .... ...
.. .
. .
. ...
...... .
. ..
. ..
. ...
.... .... .... .... ...
..... .
. . .
. .
. .
. ...
.... .... .... .... .... ...
. .
. .
. .
. .
. ...
1/36 ....... .
. ..
. ..
. ..
. ..
. .. .
............................................................................................................................................................................................................................................
... .
0 1 2 3 4 5 6 xn
Figura 4.8
Nuevamente suponemos que todas las fichas tienen la misma probabilidad de ser extradas, de modo que
los eventos que componen el espacio muestral tienen probabilidad 1/30. La siguiente tabla representa
la funcion de probabilidad de la variable aleatoria X
xi : 2 3 4 5 6
2 4 6 8 10
pi : 30 30 30 30 30
3. Se lanza al aire una moneda repetidamente y se observa en cual de los lanzamientos la moneda cae
aguila por primera vez. Hallar la funcion de probabilidad de esta variable.
I Si A denota aguila y S sol, cada evento elemental es una sucesion infinita de estos smbolos:
= (A, A, A, A, S, A, A, S, S, S, . . . )
4.4. VARIABLES ALEATORIAS DISCRETAS. 105
.......
pn .........
....
...
...
10/30 ........ .
... ....
. ...
........ .. ...
.. ... ...
.. .
. ...
........ .. .... ...
.... ... ... ...
. .
. .
. ...
....... .
. ..
. .
.
. ...
.... .... .... ..
.
. ...
.. .
. .
. .
. ...
2/30 .......
....
..
.
....
..
.
....
..
. ..
.
....
...
.... ... .
.
........................................................................................................................................................................................................................................
. .
. .
. .
. .
.
. .
0 1 2 3 4 5 6 xn
Figura 4.9
X(S, S, S, A, A, S, A, . . . ) = 4
Observamos que X puede tomar como valor cualquier entero positivo, y por independencia podemos
calcular su funcion de probabilidad:
2
1 11 1
P (X = 1) = , P (X = 2) = = ,
2 22 2
4. Consideremos ahora la situacion en la que elegimos al azar un n umero en el intervalo [0, 1) y definimos
X() como la tercera cifra despues de la coma en el desarrollo decimal de . En este caso, los posibles
valores de X() son {0, 1, . . . , 9} y cada uno tiene probabilidad 1/10, es decir que
1
pn = P (X = n) = , (n = 0, 1, . . . , 9)
10
La grafica de la funcion de probabilidad es:
.....
pn ..........
...
..
...
...
...
...
...
1/10 ....
... .
....
.
....
.
....
.
....
.
....
.
....
.
....
.
....
.
....
... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ...
... .
. .
. .
. .
. .
. .
. .
. .
. ...
.... ..... .... ..... .... ..... ..... ..... ..... .. .
..................................................................................................................................................................................................................................................................................................................................................................
.. .
0 1 2 3 4 5 6 7 8 9 xn
Figura 4.10
4.4.1. La Distribuci
on de Bernoulli
Esta es la distribucion mas sencilla y corresponde a una variable que toma solo dos valores: 1 con
probabilidad p y 0 con probabilidad q = 1 p.
Si A es un evento y definimos la funcion indicadora de A por
(
1 si A
1A () =
0 si / A.
Esta variable aleatoria vale 1 cuando A ocurre y 0 cuando no, es decir, nos indica cuando ocurre A. Por lo
tanto 1A tiene distribucion de Bernoulli con p = P (A).
4.4.2. La Distribuci
on Uniforme
Una variable aleatoria con valores en el conjunto {x1 , x2 , . . . , xn } tiene distribucion uniforme si todos los
puntos xi , 1 i n tienen la misma probabilidad. Como hay n valores posibles esto quiere decir que
1
P (X = xi ) = .
n
Para un dado convencional tenemos xi = i, 1 i 6.
4.4.3. La Distribuci
on Binomial.
Recordemos el caso de muestreo con reposicion, en el cual la variable que nos interesa especialmente es
el n
umero de defectuosos dn que contiene una muestra de n elementos, es decir,
n
X
dn (e1 , . . . , en ) = ei
i=1
donde ei = 0 o 1, seg
un que en la i-esima extraccion hayamos obtenido un artculo bueno o defectuoso,
respectivamente. Hemos visto que la funcion de probabilidad de la variable aleatoria discreta dn es
n k
P (dn = k) = p (1 p)nk = pk,n (k = 0, 1, . . . , n)
k
Se extraen con reposicion cinco cartas de un juego de barajas. Sea X el numero de diamantes en la
muestra. Cual es la probabilidad de que haya exactamente dos diamantes entre las cinco cartas? Cual
es la probabilidad de que haya a lo sumo dos diamantes?
I Para responder la primera pregunta queremos calcular P (X = 2), y como la probabilidad de obtener
un diamante en cada extraccion es 1/4 tenemos:
2 3
5 1 3
P (X = 2) = = 0.264
2 4 4
4.4. VARIABLES ALEATORIAS DISCRETAS. 107
Dist. Binomial con p=0.1, n=20 Dist. Binomial con p=0.5, n=20 Dist. Binomial con p=0.8, n=20
0.20
0.25
0.15
0.20
0.15
Probabilidad
Probabilidad
Probabilidad
0.10
0.15
0.10
0.10
0.05
0.05
0.05
0.00
0.00
0.00
0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
Dist. Binomial con p=0.5, n=10 Dist. Binomial con p=0.5, n=20 Dist. Binomial con p=0.5, n=40
0.25
Probabilidad
Probabilidad
0.10
0.10
0.05
0.05
0.00
0.00
0 2 4 6 8 10 0 5 10 15 20 0 10 20 30 40
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2)
5 4 2 3
5 3 5 1 3 5 1 3
= + +
0 4 1 4 4 2 4 4
= 0.237 + 0.396 + 0.264
= 0.897
Podemos obtener una relacion recursiva entre los terminos de la distribucion. Si X b(n, p) tenemos
n
P (X = k + 1) = pk+1 (1 p)nk+1
k+1
n!
= pk+1 (1 p)nk
(k + 1)!(n k 1)!
nk n! p
= pk (1 p)nk
k + 1 k!(n k)! 1 p
n k p
= P (X = k). (4.8)
k+1 1p
108 CAPITULO 4. VARIABLES ALEATORIAS
4.4.4. La Distribuci
on de Poisson.
Decimos que la variable aleatoria X tiene distribucion de Poisson con parametro , ( > 0) si
n
P (X = n) = e (n = 0, 1, 2, . . . ).
n!
Esta relacion define efectivamente una funcion de probabilidad ya que, usando el desarrollo en serie de Taylor
de la funcion exponencial,
X X
n
P (X = n) = e = e e = 1,
n=0 n=0
n!
y es otro ejemplo de una variable aleatoria que toma valores en un conjunto numerable. Usaremos la notacion
X P()
Esta distribucion tiene numerosas aplicaciones y gran interes en s misma, pero ademas es u til como
aproximacion a la distribucion binomial para n grande y p peque no, hecho que estudiaremos a continuacion.
Consideremos la distribucion binomial cuando n crece y p tiende a cero de manera tal que el producto
np permanece fijo. La distribucion binomial es
n k n(n 1) (n k + 1) k
pk,n = p (1 p)nk = p (1 p)nk
k k!
n(n 1) (n k + 1)
pk,n = (np)k (1 p)nk
nk k!
n(n 1) (n k + 1) k
= (1 p)nk
nk k!
1 2 k 1 k
= 1 1 ... 1 (1 p)nk
n n n k!
1 n1 1 n2 . . . 1 k1
k
= n
(1 p)n (4.9)
(1 p)k k!
Ademas
1
1 n 1 n2 . . . 1 k1
n
lim =1
n (1 p)k
4.4. VARIABLES ALEATORIAS DISCRETAS. 109
ya que hemos supuesto que p 0 cuando n y np = permanece constante. Usando estos dos resultados
en (4.9) obtenemos
e k
lim pk,n = .
n k!
Hemos demostrado el siguiente resultado.
Teorema 4.1 (de Aproximaci on de Poisson) Sea Xn b(n, pn ) y supongamos que cuando n ,
pn 0 de modo que npn permanece constante y es igual a . Entonces, cuando n
k
pk,n = P (Xn = k) e
k!
Dist. Poisson con lambda=1 Dist. Poisson con lambda=2 Dist. Poisson con lambda=5
0.25
0.15
0.3
0.20
Probabilidad
Probabilidad
Probabilidad
0.10
0.15
0.2
0.10
0.05
0.1
0.05
0.00
0.0
0.00
0 2 4 6 8 10 12 0 2 4 6 8 10 12 0 2 4 6 8 10 12
Ejemplos.
1. Las llamadas que se reciben en una central telefonica por minuto tienen distribucion de Poisson con
par
ametro = 4. Si la central puede manejar un maximo de seis llamadas por minuto, cual es la
probabilidad de que la central sea insuficiente para atender las llamadas que llegan en un minuto?
I Sea X el n
umero de llamadas que se reciben en un perodo de un minuto. Calculemos primero
6
X 6
X e4 4i
P (X 6) = P (X = i) = = 0.889,
i=0 i=1
i!
por lo tanto
P (X > 6) = 1 P (X 6) = 1 0.889 = 0.11.
J
2. Se toma una muestra de 400 fusibles fabricados usando un procedimiento que, en promedio, produce
1 % de fusibles defectuosos. Cual es la probabilidad de que, a lo sumo, haya 5 fusibles defectuosos en
la muestra?
I Sea X el n
umero de fusibles defectuosos en la muestra. Sabemos que X tiene una distribucion binomial
con n = 400, p = 0.01 y deseamos calcular
5
X X5
400
P (X 5) = P (X = i) = (0.01)i (0.99)400i
i=0 i=0
i
110 CAPITULO 4. VARIABLES ALEATORIAS
y el calculo de esta suma es trabajoso. Por lo tanto utilizaremos la distribucion de Poisson con parametro
= np = 400 0.01 = 4,
Para la distribucion de poisson tambien hay una relacion recursiva que permite calcular sus valores. Si
X P() tenemos
P (X = i + 1) e i+1 /(i + 1)!
= =
P (X = i) e i /i! i+1
es decir,
P (X = i + 1) = P (X = i), i 0. (4.10)
i+1
4.4.5. La Distribuci
on Hipergeom
etrica.
Hemos visto que el problema relativo al n umero de componentes defectuosos obtenidas al realizar un
muestreo al azar con reposicion, nos lleva a una variable aleatoria con distribucion binomial.
Si realizamos un muestreo al azar pero sin reemplazar los componentes que son extrados, la variable
aleatoria que representa el n
umero de componentes defectuosos tiene una distribucion distinta a la binomial,
que se conoce como distribucion hipergeometrica.
Supongamos que en total hay n objetos de los cuales r son de tipo I (por ejemplo, defectuosos) y nr son
de tipo II (por ejemplo, en buen estado). Extraemos un grupo de k elementos de esta poblacion y llamamos
X a la variable aleatoria que representa el numero de objetos de tipo I en la muestra. Queremos calcular la
funcion de probabilidad de X, es decir:
P (X = j)
donde j puede ser cualquier entero entre 0 y el menor entre k y r. Para hallar esta probabilidad observamos
que el grupo de objetosque hemos escogido tiene j objetos de tipo I y n jobjetos
de tipo II. Los de tipo
I se pueden escoger de rj maneras distintas mientras que los de tipo II en nr kj maneras distintas. Como
cada seleccion de j objetos de tipo I se puede combinar con cualquier seleccion de (n j) objetos de tipo II
tenemos que:
r nr
j
P (X = j) = nkj
.
k
Dist. Hipergeom. con n=15, r=10 Dist. Hipergeom. con n=20, r=10 Dist. Hipergeom. con n=30, r=10
0.4
Probabilidad
Probabilidad
0.20
0.2
0.10
0.1
0.00
0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
I Como ilustracion consideremos el ejemplo de una poblacion de 100 personas de las cuales 10 tienen
miopa. La probabilidad de que haya a lo sumo dos personas miopes en un grupo de 10 escogidos al
azar y sin reemplazo es: 10 90
X2
j 10j
P (X 2) = 100 = 0.94
j=0 10
4.4.6. La Distribuci
on Geom
etrica
Consideremos un fusible electrico que no se deteriora con el paso del tiempo pero que se quema debido
a fallas en la corriente electrica que ocurren al azar pero en forma homogenea en el tiempo. El fusible es
observado cada da y llamaremos X al n umero de das que transcurren hasta que el fusible falla, suponiendo
que el da cero el fusible es nuevo. Queremos hallar la funcion de probabilidades de X.
Igual que en el caso del tiempo de vida de un componente electronico que estudiamos en el ejemplo 3.3.1,
la idea de que el fusible no se deteriora con el paso del tiempo se puede expresar con mayor precision de la
manera siguiente: si sabemos que el fusible no ha fallado antes o durante el da n, es decir, X > n, entonces
la probabilidad de que no falle hasta despues del da n + m, P (X > n + m|X > n) debe ser igual a la
probabilidad de que un fusible nuevo el da n no falle hasta despues del da n + m.
Como las fallas electricas que hacen que el fusible se queme ocurren en forma homogenea en el tiempo,
esta probabilidad debe depender solamente del n umero de das transcurridos, que es m, pero no de n. Por
lo tanto tenemos la ecuacion
P (X > n + m|X > n) = P (X > m)
y usando la definicion de probabilidad condicional podemos reescribir esta identidad como
Si hacemos n = m = 0 obtenemos
P (X > 0) = (P (X > 0))2
y por lo tanto P (X > 0) = 0 o 1. Si P (X > 0) = 0 entonces P (X = 0) = 1, lo cual es imposible. Por lo
tanto, P (X > 0) = 1.
Llamemos p = P (X = 1), entonces
P (X > 1) = 1 p
y usando (4.11) con m = 1 obtenemos
P (X = n) = P (X > n 1) P (X > n)
= (1 p)n1 (1 p)n
= p(1 p)n1
para n 1.
Definicion 4.7 Decimos que la variable aleatoria Y tiene distribucion geometrica si su funcion de probabi-
lidad es (
p(1 p)n1 n = 0, 1, 2, . . .
P (Y = n) =
0 para cualquier otro n
donde 0 < p < 1. Usaremos la notacion X G(p) en este caso.
Observamos que en el ejemplo anterior la variable X tiene distribucion geometrica.
Dist. Geomtrica con p=0.1 Dist. Geomtrica con p=0.3 Dist. Geomtrica con p=0.5
0.10
0.30
0.5
0.25
0.08
0.4
0.20
Probabilidad
Probabilidad
Probabilidad
0.06
0.3
0.15
0.04
0.2
0.10
0.02
0.1
0.05
0.00
0.00
0.0
0 10 20 30 40 0 5 10 15 20 0 5 10 15
4.4.7. La Distribuci
on Binomial Negativa.
Esta distribucion tambien se conoce como la Distribucion de Pascal y aparece en el contexto de una
sucesion de ensayos de Bernoulli con probabilidad de exito p, cuando nos hacemos una pregunta similar a la
realizada para la distribucion geometrica, pero en lugar de preguntar por el n umero de ensayos necesarios
para lograr el primer exito, preguntamos por el numero de ensayos necesarios para lograr k exitos.
Sea X la variable descrita anteriormente. X vale n si y solo si el k-esimo exito ocurre en el n-esino ensayo,
esto es, en los primeros n 1 ensayos hay k 1 exitos y en el n-esimo ensayo hay un exito. La probabilidad
de esto ultimo es p, mientras que la probabilidad de tener k 1 exitos en n 1 ensayos es una distribucion
binomial:
n 1 k1 nk
p q .
k1
Como los ensayos son independientes, tenemos que la probabilidad P (X = n) es el producto de las dos
expresiones anteriores, es decir,
n 1 k nk
P (X = n) = p q .
k1
Ejemplo.
4.5. VARIABLES ALEATORIAS CONTINUAS. 113
Dist. Binomial Neg. con p=0.5, k=2 Dist. Binomial Neg. con p=0.5, k=5 Dist. Binomial Neg. con p=0.5, k=10
0.25
0.12
0.08
0.20
0.06
Probabilidad
Probabilidad
Probabilidad
0.15
0.08
0.04
0.10
0.04
0.02
0.05
0.00
0.00
0.00
0 10 20 30 40 0 10 20 30 40 0 10 20 30 40
Figura 4.16: Distribucion Binomial Negativa con p = 0.5 para tres valores de k.
Un pescador va todos los dias al muelle y se queda pescando hasta que hayan pasado dos horas o hasta
que logre pescar un pez. Si la probabilidad de que no pesque nada es 0.6, cual es la probabilidad de
que tenga que esperar cinco das para pescar tres peces?
I Sea X el numero de das necesarios para pescar tres peces. Esta variable tiene distribucion binomial
negativa con parametros 3 y 0.4, por lo tanto
4
P (X = 5) = (0.4)3 (0.6)2 = 0.138
2
J
Esta es una variable aleatoria que puede tomar cualquier valor real positivo, y por lo tanto no esta concentrada
en un conjunto numerable de valores. Mas a un, para cualquier x > 0 se tiene que
P (T = x) = 0 (4.12)
es decir, que la probabilidad de que la variable aleatoria tome cualquier valor fijo es 0.
En este caso, la funcion de distribucion de T es
(
0, si x 0
F (x) = P (T x) = 1 P (T > x) = x
1e , si x > 0
......
........
F (x) ....
...
...
...
.
.......
1 ....
....
..............................
.................
... ...........
... ..
...
...........
.
... .......
... ......
.....
... .....
... .
....
... ..
....
... ....
... .....
... ....
... ...
.. .
.................................................................................................................................................................................................
.
...
0 x
Figura 4.17
Ejemplo.
P ( D) = 1 = C|D|
obtenemos que
1 |A|
C= y P ( A) = .
|D| |D|
En el razonamiento anterior hay un punto fundamental que hemos pasado por alto y es el concepto de
area de un subconjunto de D. Que es el area de un subconjunto de A D?
Si A es una figura geometrica elemental, como un rectangulo o un crculo, sabemos calcular, con exac-
titud, su area, pero que sucede con conjuntos mas complicados? Para citar un ejemplo consideremos
el conjunto
{ D : la primera coordenada de es racional}.
C
omo se define en este caso el area del conjunto?
La resolucion de este problema requiere herramientas matematicas de la Teora de la Medida, que estan
mas alla del nivel de este curso. Nos limitaremos a decir que existe una -algebra F de subconjuntos
de D (o mas generalmente de R2 ) y una funcion no-negativa m definida sobre ella que es -aditiva y
que coincide con la nocion de area para todas las figuras elementales.
En particular, si A es un crculo entonces sabemos calcular P ( A), y esto va a ser suficiente para
el ejemplo en cuestion.
Sobre este espacio D definimos la variable X como la distancia del punto escogido al origen y calcu-
laremos su funcion de distribucion. Si 0 x R, el evento
{ : X() x}
4.6. DENSIDADES. 115
es el disco del plano que esta centrado en el origen y tiene radio x. Su area es x2 . Por lo tanto
x2 x2
F (x) = P (X x) = = , 0 x R.
R2 R2
Ademas, si x < 0 entonces P (X x) = 0 y si x > R entonces P (X x) = 1. Por lo tanto
0, si x < 0,
2
F (x) = x /R , 2
si 0 x R,
1, si x > R,
que es una funcion continua, de modo que X es una variable aleatoria continua. La grafica de F es
...
..........
...
F (x) ....
..
...
.......
1 ..
.... ...
....................................
...
.. ..
... .
...
.
... ...
... ...
... ...
... ..
.
... ..
..
... ....
... ....
... ..
.....
... ....
....
... .....
... .....
........
. .
.......................... .............................................................................................................
.
. .
...
...
.
.. .
0 ...
R x
Figura 4.18
J
Es importante observar que, de acuerdo a las definiciones que hemos dado, hay variables aleatorias que
no son discretas ni continuas, es decir, hay variables aleatorias que ni toman u
nicamente valores en un
conjunto numerable, ni tienen funciones de distribucion continuas. Por ejemplo, la variable aleatoria
correspondiente a la funcion de distribucion que representamos en la figura 4.19 esta en esta clase.
.
......
........
F (x) ..
...
...
.
......
1 ..
... ................
................
............................
... ...........
... ........
...
... ............
... .........
... .......
.......
... ..........
... ..
...
... ..
.......
.....
......
.... ..
...... ....
.
...... ....
.......
........... ...
. .
............................................................................................................................................................................
.
.....
0 ..
....
x
.
Figura 4.19
4.6. Densidades.
Definicion 4.8 Sea X una variable aleatoria con funcion de distribucion F . Decimos que F tiene densidad
o es absolutamente continua, si existe una funcion f no negativa tal que
Z x
F (x) = f (t) dt, para todo x R. (4.13)
116 CAPITULO 4. VARIABLES ALEATORIAS
F 0 (x0 ) = f (x0 ).
En efecto,
Z Z !
x0 +h x0
F (x0 + h) F (x0 ) 1
f (x0 ) = f (t) dt f (t) dt f (x0 )
h h
Z x0 +h
1
= f (t) dt f (x0 )
h x0
Z x0 +h
1
= (f (t) f (x0 )) dt.
h x0
Geometricamente, por lo tanto, la probabilidad de que la variable aleatoria X pertenezca al intervalo (a, b]
es el area comprendida entre la grafica de la funcion f , el eje x y las verticales por a y b.
..
.........
y . ........ .
..
...
... ....
... ...
... .................
... ....................
...
.. ... ............................
.. ... ................ .........
.. . .. . . . . . . .
. ......
....... ......
..
.. .... .................. ....
..
... ... ................... ....
.....
... . . . . . . . .
. ......
...
.. ...................
. ......
... ........................
. .....
.... .
.
.......................... .
..... .....
......... ....................................
......... . . . . .. . . . . . . . .
..............................
...............................
...............................
. .
................................................................................................................................................................................................................................................
.. .
...
a 0 ..
....
b x
Figura 4.20
4.6. DENSIDADES. 117
La funcion f puede, en general, ser bastante complicada. A lo largo del curso nos limitaremos a considerar
funciones suficientemente regulares como para poder manejarlas con las nociones basicas de calculo diferencial
e integral. Estas funciones f seran continuas, salvo a lo sumo en un n umero finito de puntos. En cualquier
caso, admitimos como resultado que si F tiene densidad, entonces F es una funcion continua en todo punto,
y por lo tanto X es una variable aleatoria continua.
Recprocamente, si f es una funcion no-negativa que verifica la condicion (4.14), la funcion F definida
por (4.13) es una funcion de distribucion, es decir, que satisface las condiciones 1, 2 y 3 de la proposicion
4.3. En efecto, sea x < y, entonces
Z y Z x Z y
F (y) F (x) = f (t) dt f (t) dt = f (t) dt 0
x
porque f es no-negativa. Esto muestra que F (x) F (y) y la condicion 1 es valida. La condicion 2 es
inmediata y en cuanto a la continuidad por la derecha consideremos
Z 1
x+ n
F (x + 1/n) F (x) = f (t) dt
x
4.6.1. La Distribuci
on Uniforme.
Definicion 4.9 Una variable aleatoria X tiene distribucion uniforme en el intervalo [a, b] si para cualquier
intervalo I contenido en [a, b] se tiene que P (X I) es proporcional a la longitud de I. Usaremos la notacion
X U [a, b] en este caso.
Hemos considerado anteriormente esta distribucion de probabilidad cuando estudiamos el problema del
error de redondeo al truncar un numero en su parte entera.
Podemos calcular la funcion de distribucion de X,
obtenemos
1
K(b a) = 1 de donde K= .
ba
En consecuencia la distribucion de probabilidad de X es la siguiente
0, si x < a,
xa
FX (x) = ba , si a x b,
1, si x > b.
.....
..........
... F (x)
f (x) .......
..
...
...
... ...
..
.... 1 ...........
...
.... ....
..
... .
......
.... .
....
...
1
ba
.... .
.........
...
...
.... .
.... ...
....
...
.... ..
. ...
...
.... .... ...
...................................................................................................... .... ...
..
.
..
.....................................................................................................................................................
a ....
.. .
b x a ...
.. b x
Figura 4.21
En la figura 4.21 representamos las graficas de estas funciones. Usaremos la notacion X U[a, b]
Ejemplo.
Entre las 7 y las 8 de la manana los trenes salen de cierta estacion de metro cada 10 minutos a partir
de las 7:03. Calcule la probabilidad de que una persona que llega a la estacion tenga que esperar menos
de 2 minutos por el tren si la llegada de la persona a la estacion tiene distribucion uniforme en el
intervalo:
i. de 7 a 8 a.m.
I Para que una persona espere menos de dos minutos tiene que llegar a la estacion en uno de los intervalos
de la forma (t 2, t) donde t es uno de los instantes en los cuales parte un tren.
En el primer caso los intervalos de interes son
Sea B la union de estos intervalos. Sabemos que la distribucion del tiempo de llegada es uniforme en
[7 : 00, 8 : 00] y deseamos calcular la probabilidad de que X B. Como la longitud total de B es 12
minutos tenemos
longitud de B 12 1
P (X B) = = = .
60 60 5
En el segundo caso, usando una notacion similar tenemos
B = (7 : 21, 7 : 23),
de modo que
2
P (X B) = .
15
J
4.6. DENSIDADES. 119
.....
..........
f (t) ...
....
..
.
1/ .......
....
..
......
... .....
... ... ...
... ..... ...
... ...
... ... ...
... .. ...
... .
... ...
.. ...
... . ... ...
... . . .
..........
...
...
... ..
............... ...
... . . ...
... . ...................... ...
... ...................................... ...
...
... ................................... . .
..........................................................................................................................................................................................................
. .. .. .. .. .
a x a a+ t
Figura 4.22
4.6.2. La Distribuci
on Triangular.
Una distribucion que se presenta con frecuencia en las aplicaciones es aquella que tiene densidad triangular
simetrica, como la que se representa en la figura 4.22. Hay un punto a de maxima densidad y puntos a, a+
equidistantes de a, entre los cuales toma su valor la variable aleatoria en cuestion. Entre el punto medio y
los extremos, la densidad f vara linealmente.
El valor f (a) tiene que ser tal que el area del triangulo sea 1, es decir
Z
1
f (t) dt = f (a) = 1 f (a) = .
Por lo tanto la funcion de distribucion es
F (x) = 0, si x < a
F (x) = 1, si x > a + ,
y si a x < a Z Z
x x
F (x) = f (t) dt = f (t) dt
a
que es al area del triangulo peque
no indicado en la figura 4.17, es decir
1
F (x) = (x (a ))f (x)
2
1 (x (a ))
= (x (a )) f (a)
2
1 (x a + )2
= .
2 2
Si a x < a + , usando la simetra del triangulo,
1
F (x) = 1 (a + x)f (x)
2
1 (a + x)2
=1 .
2 2
Resumiendo
0, si x < a ,
(xa+)2 , si a x < a,
F (x) = 2 2
(a+x)2
1 2 2 , si a x < a + ,
1, si x a + .
cuya grafica es
120 CAPITULO 4. VARIABLES ALEATORIAS
.....
..........
F (x) ..
...
...
...
..
........
1 ..
... ......
..........................................
........
... ...
......
... ....
....
... .....
... ...
... .
....
... ..
...
... ...
... .....
... ...
......
... ...
.....
... ......
....... .
...........................................................................................................................................................................................................
. .. ... ... .
.
a a a+ x
Figura 4.23
4.6.3. La Distribuci
on Exponencial.
Definici
on 4.10 Decimos que la variable aleatoria X tiene distribucion exponencial si
P (X > x) = ex (x 0)
.....
..........
F (x) ...
....
..
...
..
........
1 .... ................................
.................
... ...........
..........
..
... ...
..........
.
... ......
......
... .....
... ....
... .....
.
..
... ....
... .....
... ....
... ....
.... .
.................................................................................................................................................................................................
... .
0 x
Figura 4.24
que ha sido interpretada en ocasiones anteriores como una formulacion precisa de la distribucion del tiempo
de vida de un objeto que no envejece con el paso del tiempo, o de la falta de memoria de esta distribucion.
Mas aun, en el ejemplo 3.1.3 vimos que si (4.16), o equivalentemente (4.15), es cierto entonces se deduce que
P (X > x) = ex , (x 0)
para alg
un positivo. Por lo tanto cualquiera de las relaciones (4.15) o (4.16) caracteriza a la distribucion
exponencial.
Ejemplos.
1. La distribucion exponencial surge, por ejemplo, en el estudio del tiempo de vida de un material ra-
dioactivo. Si suponemos que la tasa a la cual decae una masa m de material radioactivo es proporcional
a la cantidad de material presente en el instante t, entonces m satisface la ecuacion
dm
= m
dt
donde es una constante que depende del material. La solucion de esta ecuacion es
m = m0 et .
I Sea G la funcion de distribucion de Y , como esta variable solo toma valores positivos tenemos que
G(y) = 0 para y 0. Para y > 0
1
G(y) = P (Y y) = P ln(1 X) y
= P (ln(1 X) y) = P (1 X ey )
= P (X 1 ey ) = 1 ey
4.6.4. La Distribuci
on Normal.
La funcion de distribucion normal con parametros y 2 (cuyo significado veremos mas adelante), es
aquella que tiene densidad
2 1 (y )2
n(y; , ) = exp .
2 2 2
Dado que esta funcion nunca es negativa, para ver que es efectivamente una densidad de probabilidad
debemos probar que Z
n(y; , 2 ) dy = 1,
haciendo el cambio de variables z = (x )/ 2 resulta
Z Z
1 z2
n(y; , 2 ) dy = e 2 dz
2
Z
1 2
= ez dz. (4.17)
Una manera de calcular esta u ltima integrales la siguiente. Sea Cr el disco con centro en el origen y radio
r y Cr0 el disco con el mismo centro y radio 2r. Sea Dr el cuadrado con centro en el origen y lado 2r (ver
figura 4.24).
.........
.............. .....................
........ ......
...... .....
. ..... .....
... .. ...................
..
...... ....
..
... ....... .......... ............. ...
...
. ..
....... .
. .... ...
. ... ...
.. ... ..
....
.
...
.
r .
..
.
...
...
...
...
...
... .... .... ...
...
...
...
...
... 2r ...
. . ..
..................................................................
... ... .. . ..
...
...
...
... ... ...
... ... ... ...
... ..
...
...
....
..... C r ......
. .C0
...
- r
...... .. ..
... ......... ...... ....
.....
..... ........................... .....
...... .....
.......
...........
............................. ............ Dr
2r
Figura 4.25
Dado que el integrando comun en las integrales siguientes no es negativo, tenemos que
ZZ ZZ ZZ
2 2 2 2 2 2
e(u +v ) du dv e(u +v ) du dv e(u +v ) du dv (4.18)
Cr Dr Cr0
y ademas
ZZ Z r Z r Z r 2
(u2 +v 2 ) u2 v 2 u2
e du dv = e du e dv = e du .
Dr r r r
Consideremos ahora la integral de la izquierda en (4.18). Pasando a coordenadas polares , por medio
de la transformacion u = cos , v = sen , obtenemos
ZZ Z 2 Z r
2 2 2
e(u +v ) du dv = d e d
Cr 0 0
r
1 2
= 2 e
2 0
1 r 2
= 2 (1 e )
2
2
= (1 er ).
4.6. DENSIDADES. 123
De forma analoga, cambiando r por 2r resulta
ZZ
2 2 2
e(u +v ) du dv = (1 e2r ).
Cr0
Reemplazando en (4.18)
Z r 2
r 2 u2 2
(1 e ) e du (1 e2r ),
r
haciendo r Z 2
u2
e du
y por lo tanto Z
2
eu du = .
de modo que para cualquier valor de x se tiene (x) = 1 (x) y esta formula nos permite obtener el
valor de (x) a partir del valor de (x). Por lo tanto bastaconocer los valores de (x) para x 0.
Sea X una variable aleatoria con densidad y consideremos Y = + X, donde > 0. En la proxima
seccion demostraremos que Y tiene como densidad a la funcion
1 (y )2
exp = n(y; , 2 ) (4.19)
2 2 2
y este hecho nos permite calcular cualquier distribucion normal a partir de ya que
y y
P (Y y) = P ( + X y) = P X = .
124 CAPITULO 4. VARIABLES ALEATORIAS
......
.........
f (x) ....
...
...
...
0, 8 .................
. ..
... ... ....
... ... ...
.... .... .....
.. .. ..
... ... ....
... .......... ....
.... . = 0, 5
... ...
.. ... ...
... ... ...
.... ... ...
...
... ... ...
... ... ...
... .
. ..
......
... ............ .................. ....
........... ... ..... ...
.......
....
. .
. .....
..
...... .... ........
..... ...
..... ..
.... ....
.=1
...
...
... ......
... .....
.. .....
.. .
.
...... .............................................................................. ........
.
..
.
.................... .
. .........................
.
.. . . ...............
.. ..
.......
........... ..........
. .
..............
..
..
. .
.
.
....
...
... .=2
...
..... .............
..... ..
...... ......................
. .. . .. . . . . ............. .
..
.. .... .
. ..
... ...... ............
... ..
. .... ..
. .
. . .......
........ ... .. .
. ....... ..........
........
. ...
. . .
. ..... .
...............................................................................................................................................................................................................................................................................................................................................
... . .. . . .
.
. . . .... . . .
...
-3 -2 -1 1 ..
2 3 x
Figura 4.26
Por lo tanto, para cualquier funcion de distribucion F , la variable aleatoria Z = F (U ) tiene funcion de
distribucion F .
Proposici on 4.6 Sea X una variable aleatoria con funci on de distribucion continua cuya distribuci
on de
probabilidad tiene densidad fX y g : R (a, b) una funci on biyectiva con derivada continua y que no se
anula (es decir, g 0 (x) 6= 0, para todo x R). Definimos Y = g(X) y sea FY la funci on de distribuci
on de
esta variable. Entonces Y tiene densidad
(
1
fX (g 1 (y)) g0 (g1 (y)) , si y (a, b),
fY (y) =
0, si y
/ (a, b),
......
y .........
... .......
.... ......
.. ......
.....
...
... y = g(x) .
...
.
.
... ....
y .....
0 .....................................................................................
.
..
.... ........ ....
.......
... ...... ...
... .......... ...
... ....... ...
........ ....
.
. . ..
....... ...
.... .... ...
... .. ...
... ....
. ....
.
...
. .
. .
... .
...........................................................................................................................................................................................................
........ .
. ... .
...... .
.
......
.
.... .
.
..... 1 x
g (y0 )
Figura 4.27
Por ejemplo, si y = g(x) = mx + c donde m y c son constantes tales que m 6= 0 entonces la variable
Y = g(X) = mX + c
126 CAPITULO 4. VARIABLES ALEATORIAS
tiene densidad
1 yc
fY (y) = fX , < y < .
m m
En el caso particular de la distribucion normal, si X N (0, 1) con densidad (x), la variable Y = + X
tiene como densidad
1 y 1 (y )2
= exp = n(y; , 2 )
1 2 2
como afirmamos en (4.19).
4.8. Simulaci
on de Variables Aleatorias.
Los generadores de n umeros aleatorios simulan valores de la distribucion U[0, 1]. El Corolario 4.1 y la
Observacion 4.2 nos dan un metodo para simular una variable aleatoria con funcion de distribucion F :
Generamos el valor u de una variable uniforme en [0, 1] y evaluamos la inversa generalizada en u: F (u). Sin
embargo, dependiendo de la naturaleza de la funcion de distribucion F , es posible que la inversa generalizada
tenga una expresion complicada o incluso no sea posible escribirla en terminos de funciones elementales, como
ocurre en el caso de las variables Gaussianas. Por esta razon hay metodos ad hoc que resultan mas eficientes
en muchos casos.
Ahora generamos una variable U con distribucion uniforme en [0, 1] y si el valor cae en el i-esimo intervalo
le asignamos a X el valor xi . Como la probabilidad de que U caiga en el intervalo i es igual a la longitud del
intervalo, que es pi , vemos que
P (X = xi ) = pi , para 1 i n.
Este metodo se conoce como el metodo de la transformada inversa. Desde el punto de vista computacional
es conveniente ordenar los valores seg un el tama no de las pi , colocando estas probabilidades de mayor a
menor, porque para identificar el intervalo en cual cae U tenemos que comparar con p1 , luego con p1 + p2 , y
as sucesivamente hasta obtener el primer valor menor que U . Ordenar las probabilidad hace que se maximice
la probabilidad de que U este en los primeros intervalos, y esto reduce el numero de comparaciones que hay
que hacer en promedio para obtener el valor de X.
Este metodo tambien funciona para variables discretas con una cantidad infinita de valores. La misma
observacion sobre el ordenamiento de los valores de las probabilidades es valida.
Distribuci
on de Bernoulli
Un caso particular sencillo es el de la distribucion de Bernoulli con probabilidad de exito p. Para generar
un valor de la variable X con esta distribucion, generamos U y si U < p, X = 1 y si no, X = 0.
Distribuci
on Uniforme Discreta
Sea X una variable aleatoria que toma valores {x1 , x2 , . . . , xn } con igual probabilidad. Para simular esta
distribucion generamos un numero aleatorio U (0, 1], dividimos el intervalo [0, 1] en n intervalos iguales y
le asignamos a la variables el valor xk si
k1 k
<U
n n
DE VARIABLES ALEATORIAS.
4.8. SIMULACION 127
es decir, el valor de la variable es Xk con k = dU ne, donde dae es la funcion techo y representa el menor
entero que es mayor o igual a a.
Distribuci
on Binomial
Una manera sencilla de simular una variable con distribucion binomial de parametros n y p es generar n
variables de Bernoulli con probabilidad de exito p y sumarlas. Esto resulta un poco pesado si n es grande,
pero en este caso podemos usar el Teorema Central del Lmite, que estudiaremos mas adelante.
Otra posibilidad es usar el metodo de la transformada inversa junto con la relacion (4.8) que demostramos
anteriormente. Para esto generamos una variable uniforme U y comparamos con P (X = 0) = (1 p)n . Si
U es menor que este valor ponemos X = 0, en caso contrario multiplicamos P (X = 0) por pn/(1 p) para
obtener P (X = 1) y comparamos. Si U es menor que este valor ponemos X = 1, en caso contrario repetimos
el procedimiento hasta conseguir el valor de X. El algoritmo se puede describir como sigue:
Distribuci
on de Poisson
Al igual que para la distribucion binomial, la relacion (4.10) permite aplicar el metodo de la transformada
inversa para generar la distribucion de Poisson. El algoritmo es el siguiente:
Distribuci
on Geom
etrica
Una manera de generar variables con distribucion geometrica es generar una sucesion de variables de
Bernoulli hasta obtener el primer exito, es decir, generamos una sucesion de n umeros aleatorios en [0, 1]
hasta obtener el primero que sea menor que p. Sin embargo, si p es peque no esto puede ser lento (toma en
promedio 1/p pasos). Para evitar esto podemos seguir el metodo alternativo que describimos a continuacion.
Sea X una v.a. con distribucion geometrica de parametro p, 0 < p < 1 y sea u un n
umero aleatorio en [0, 1].
Definimos Y como el menor entero que satisface la desigualdad 1 q Y u. Entonces
P (Y = j) = P (1 q j u > 1 q j1 )
= q j1 q j = q j1 (1 q) = q j1 p,
de modo que Y tambien tiene una distribucion geometrica de parametro p. Por lo tanto, para generar Y
basta resolver la ecuacion que la define, es decir,
log(1 u)
Y =
log q
Distribuci
on Binomial Negativa
Observamos que una variable con distribucion binomial negativa de parametros k y p es la suma de k
variables geometricas con parametro p: una por cada exito en la sucesion de ensayos. Esto lo veremos con
mayor detalle en el proximo capitulo. Esta observacion es u til para generar variables con esta distribucion:
si uj , j = 1, . . . , k son n
umeros aleatorios en [0, 1], la siguiente expresion produce el valor de una variable
con distribucion binomial negativa:
X k
log(uj )
.
j=1
log q
Distribuci
on Uniforme
Si queremos simular la distribucion U[a, b] generamos u uniforme en [0, 1] y usamos la transformacion
u 7 a + u(b a).
Distribuci
on Exponencial
Para simular variables con distribucion exponencial usamos la relacion que obtuvimos en la seccion 4.6.3:
Si U U(0, 1) entonces X = ln(1 U )/ E(). Observamos ahora que si U tiene distribucion uniforme
en (0, 1), 1 U tambien. Por lo tanto, para simular esta distribucion a partir de una variable U U(0, 1)
hacemos la transformacion ln(U )/.
Distribuci
on Normal
La funcion de distribucion normal no se puede escribir en terminos de funciones simples, y lo mismo
ocurre con su inversa, lo que dificulta la aplicacion del metodo de la transformada inversa. Sin embargo
existen otros metodos y uno de los mas populares es el de Box-Muller, tambien conocido como el metodo
polar.
A
un cuando la justificacion del metodo no es complicada, requiere algunos conceptos que no hemos
introducido, as que vamos a describir el metodo sin demostrar que efectivamente lo que obtenemos es el
valor de una variable normal. El algoritmo es el siguiente:
r r
2 log S 2 log S
X= V1 , Y = V1 .
S S
4.8.3. Generaci
on de Variables Aleatorias en R
El lenguaje R tiene incorporadas una serie de rutinas para generar variables aleatorias. La sintaxis precisa
de la instruccion correspondiente depende de la distribucion, pero todas tienen el formato com un rdist, donde
dist designa la distribucion; por ejemplo, para generar valores a partir de la distribucion normal usamos rnorm.
4.9. EJEMPLOS. 129
Segun la distribucion, puede ser necesario especificar uno o varios parametros. La tabla que presentamos a
continuacion presenta las distribuciones mas comunes, los parametros requeridos y sus valores por defecto.
n representa siempre el tama no de la muestra.
Distribucion Funci
on en R
Binomial rbinom(n, size, prob)
Poisson rpois(n, lambda)
Geometrica rgeom(n, prob)
Hipergeometrica rhyper(nn, m, n, k)
Binomial Negativa rnbinom(n, size, prob)
Multinomial rmultinom(n, size, prob)
Uniforme runif(,n min=0, max=1)
Exponencial rexp(n, rate=1)
Gaussiana rnorm(n, mean=0, sd=1)
Gamma rgamma(n, shape, scale=1)
Weibull rweibull(n, shape, scale=1)
Cauchy rcauchy(n, location=0, scale=1)
Beta rbeta(n, shape1, shape2)
t rt(n, df)
Fisher rf(n, df1, df2)
2 rchisq(n, df)
Logstica rlogis(n, location=0, scale=1)
Lognormal rlnorm(n, meanlog=0, sdlog=1)
Ademas, R tiene la funcion sample que permite obtener muestras con o sin reposicion de conjuntos finitos
de valores. La sintaxis es
sample(x, size, replace = FALSE, prob = NULL)
donde
x es el conjunto a partir del cual queremos obtener la muestra, escrito como un vector,
size es el tama
no de la muestra,
replace permite indicar si se permiten repeticiones (replace = TRUE) o no y finalmente
prob es un vector de probabilidades si se desea hacer un muestreo pesado y no uniforme.
4.9. Ejemplos.
1. Sea X una variable aleatoria continua con densidad f . Hallar la densidad de la variable aleatoria
Y = X 2.
I Observamos que como la funcion g(x) = x2 no es biyectiva, no es posible aplicar los resultados de
la seccion 4.7. Sean F y G las funciones de distribucion de las variables X, Y respectivamente. Es
inmediato que G(y) = 0 para y 0. Para y > 0
G(y) = P (Y y) = P (X 2 y) = P ( y X y)
Z y
= F ( y) F ( y) =
f (t) dt
y
Z
y Z
y
= f (t) dt + f (t) dt
0 0
Z
y
= (f (t) + f (t)) dt
0
130 CAPITULO 4. VARIABLES ALEATORIAS
y haciendo el cambio de variable t = s obtenemos, para y > 0
Z y
1
G(y) = (f ( s) + f ( s)) ds.
0 2 s
Ejercicios
1. Sea X una variable aleatoria con funcion de probabilidad dada por la siguiente tabla:
xi : 2 1 0 1 2 3 4 5
pi : 0.1 0.2 0.15 0.2 0.1 0.15 0.05 0.05
Calcule las probabilidades de los siguientes eventos:
a. X es negativa. b. X es par. c. X toma valores entre 1 y 5, ambos inclusive.
d. P (X = 2|X 0). e. P (X 2|X > 0).
2. Determine el valor de la constante A para que las siguientes sean funciones de probabilidad.
(
Ai i = 1, 2, . . . , n
a. P (X = i) = .
0 en otro caso.
(
A/2i i = 1, 2, . . . , n
b. P (X = i) = .
0 en otro caso.
i
A/3 i = 1, 3, 5, 7, . . . , 2n 1
c. P (X = i) = A/4i i = 2, 4, 6, 8, . . . , 2n .
0 en otro caso.
3. Sea (, F, P ) un espacio de probabilidad con = {1, 2, 3, 4, 5, 6}, F = {, {2, 4, 6}, {1, 3, 5}, }, y sean
U, V, W funciones definidas en por
(
1 si es par,
U () = 5 + 32, V () = W () = 2 .
0 si es impar,
Determine cuales de estas funciones son variables aleatorias sobre el espacio de probabilidad .
4. Determine el valor de la constante C para que la siguiente sea una funcion de probabilidad.
C
P (X = n) = , n N.
n(n + 1)
5. Para que valores de C y es la funcion p definida por p(n) = Cn para n N una funcion de
probabilidad?
6. Sea X una variable con distribucion uniforme en el conjunto {1, 2, . . . , 50}. Calcule
a. P (X 15), b. P (2.5 < X 43.2), c. P (X > 20|X > 10), d. P (X 435.6|X > 15).
7. Sea X una variable aleatoria discreta con funcion de probabilidad p dada por:
xi : 2 1 0 1 2 3
pi : 0.1 0.2 0.15 0.25 0.15 0.15
Sea Y la variable aleatoria definida por Y = X 2 . Halle la funcion de probabilidad de Y . Calcule el
valor de la funcion de distribucion de X y de Y en los puntos 1, 3/4 y 3.
8. Sea X una variable aleatoria con funcion de distribucion F dada por
0 para x < 0,
1
para 0 x < 41
F (x) = 32
para 14 x < 34
4
1 para 34 x
Determine la funcion de probabilidad de X.
132 CAPITULO 4. VARIABLES ALEATORIAS
9. En un grupo grande de objetos una fraccion son defectuosos. Si el n umero de extracciones (con
reposicion) necesarias para obtener el primer objeto defectuoso es una variable aleatoria X con funcion
de probabilidad P (X = j) = A(0.95)j1 , j = 1, 2, . . .
a. Calcule el valor de A.
b. Cual es la proporcion de defectuosos?
c. Cual es la probabilidad de que sea necesario examinar mas de 20 objetos antes de obtener el primer
defectuoso?
10. Una caja tiene 10 bolas numeradas del 1 al 10. Seleccionamos dos bolas al azar con reposicion de la
caja. Sea X el mayor de los dos n
umeros, calcule la funcion de probabilidad de X.
12. Para determinar la efectividad de una nueva vacuna contra la gripe se vacunan 10 personas que son
observadas por un perodo de un ano. De ellas, 8 no tuvieron gripe durante este lapso. Si se sabe que
la probabilidad de no tener gripe en un perodo de un ano es 0.5 cual es la probabilidad de que 8 o
mas personas del grupo no hayan sufrido la enfermedad si la vacuna no es efectiva?
13. Considere un cierto defecto en el metabolismo que ocurre en aproximadamente 1 de cada 100 nacimien-
tos. Si cuatro ni
nos nacen en cierto hospital el mismo da, calcule la probabilidad de que
a. ninguno tenga el defecto.
b. no mas de uno tenga el defecto.
14. El n
umero de carros que cruzan un puente durante un perodo fijo de tiempo es una variable aleatoria
con distribucion de Poisson. Si la probabilidad de que ning
un carro cruce el puente en este perodo es
1/4, halle una expresion para la probabilidad de que al menos dos carros lo crucen.
15. Lanzamos un dado hasta que la suma de los resultados sea mayor que 6 y sea X el n umero de lanza-
mientos necesarios para conseguir esto. Sea F la funcion de distribucion de esta variable. Determine la
funci
on de probabilidad de X y el valor de F para x = 1, 3 y 7.
16. En una caja tenemos tres bolas numeradas 1, 2 y 3. Sacamos tres bolas con reposicion y llamamos Xi ,
i = 1, 2, 3 al resultado de la i-esima extraccion. Sea X el promedio de estas variables:
X = (X1 + X2 + X3 )/3.
17. Un amigo te propone el siguiente juego: Lanzan una moneda hasta que salga sol. Si el n
umero de
lanzamientos es par, t
u ganas, si es impar, pierdes. Jugaras este juego?
18. Un vendedor de periodicos compra cada periodico por 1.50 y lo vende por 2.50. Los que no vende los
regresa al distribuidor y recibe 1.25 por ellos. Supongamos que la distribucion de la demanda D es
e10 10k
P (D = k) =
k!
Describa la variable aleatoria X que representa su ganancia diaria si compra 10 periodicos cada da.
19. Un llavero tiene cuatro llaves de apariencia similar pero solo una de ellas abre la puerta de cierta
oficina. Se selecciona al azar una llave y se prueba, si no funciona se selecciona al azar una de las
restantes y se prueba de nuevo. Sea X el n umero de llaves que se prueban antes de encontrar la que
abre la puerta. Halle su distribucion de probabilidad.
4.9. EJEMPLOS. 133
20. Sea X una variable aleatoria con distribucion de Poisson de parametro . cual es la probabilidad de
que X tome valor par (considerando a cero como par)?
21. Verifique que las siguientes funciones son densidades y obtenga la funcion de distribucion correspon-
diente. ( (
3
cos x para 0 < x < /2 (1 x2 ) para |x| < 1
a. f (x) = b. f (x) = 4 .
0 en otro caso 0 en otro caso
22. Sea X una variable aleatoria con valores en [0, 1] y funcion de distribucion F (x) = x2 . Cual es la
densidad de X? Calcule las siguientes probabilidades:
a. P ( 41 X 34 ), b. P (X > 1/2), c. P (X 3/4|X > 1/2).
23. Sea X una variable aleatoria con distribucion normal de parametros = 12, 2 = 9. Use R para
calcular
a. P (X > 3). b. P (|X 12| < 4). c. P (|X 10| > 2).
24. Determine el valor que debe tomar la constante A en cada caso para que las siguientes funciones sean
densidad de una funcion de distribucion.
a. f (x) = Ae|x| , < x < , y constantes.
b. f (x) = Ax+1 , x > x0 > 0, constante.
c. f (x) = Ax(1 x), 0 x 1.
A
d. f (x) = 1+x2 , < x < .
25. Sea f (x) = Cxex , x > 0 una densidad.
a. Determine el valor de C. b. Calcule P (X < 2). c. Calcule P (2 < X < 3).
26. Halle la funcion de distribucion F y su grafica si la densidad es
(
x, si 0 x 1
a. f (x) = 1/2, 0 x 2. b. f (x) =
2 x, si 1 x 2.
32. Halle la densidad de Y = eX donde X tiene distribucion normal con parametros y 2 . (Se dice que
la variable Y tiene distribucion lognormal con parametros y 2 ).
33. Una senal se codifica como una sucesion de ceros y unos para transmitirla digitalmente. Debido a
imperfecciones en el canal de transmision cualquiera de estos dgitos se recibe erroneamente (uno se
recibe como cero o cero se recibe como uno) con probabilidad p.
a. Cual es la probabilidad de tener al menos un error en una sucesion de n dgitos?
b. Para reducir la probabilidad de error cada dgito se repite tres veces. cada dgito en el tro puede
trasmitirse erroneamente con probabilidad p y tomamos como valor de cada tro al entero que se repita
mas veces: 001 lo interpretamos como 0.Cual es la probabilidad de que cualquier dgito se reciba
erroneamente? Cual es la probabilidad de tener al menos un error en una sucesion de n dgitos?
34. Dos jugadores A y B llevan a cabo una serie de juegos de manera independiente. La probabilidad de
que A gane es p, la de B es q y la probabilidad de un empate es 1 p q. La serie termina una vez que
alguno de los dos gana una partida. Este es un formato com un para eliminatorias de muerte s ubita.
a. Cual es la probabilidad de que A gane en el n-esimo juego?
b. Cual es la probabilidad de que A gane la serie?
c. Cual es la probabilidad de que la serie dure n partidas?
35. Lanzamos un dado repetidamente hasta obtener un seis. Sea An el evento que ocurre si el primer seis
aparece en el n-esimo lanzamiento y B el evento que el n
umero de lanzamientos requeridos sea par.
Hallar P (B) y P (An |B).
36. Sea X b(n, p). Demuestre que (P (X = k))2 P (X = k + 1)P (X = k 1) para todo k.
37. Sea X b(n, p) y Y b(n, 1 p), demuestre que P (X = k) = P (Y = n k). De una interpretacion
para este resultado.
38. Una fabrica recibe un lote de componentes y los prueba para verificar su funcionamiento. Por cada
100 componentes se prueban 10 y se acepta el lote si a lo sumo un componente falla. Cual es la
probabilidad de aceptar un lote de tama
no 100 que contiene 7 defectuosos?
39. Lanzamos un dado hasta obtener el primer seis y sea T el lanzamiento en el cual esto ocurre. (a) Cual
es la distribucion de probabilidad de T ? (b) Calcule P (T > 6). (c) Calcule P (T > 6|T > 3).
40. En una sucesion de ensayos de Bernoulli Cual es la probabilidad de que el primer exito ocurra luego
del quinto ensayo dado que no ha ocurrido en los dos primeros ensayos?
41. Sea X una variable con distribucion de Poisson de parametro = 0.3. Calcule P (X = 0), P (X = 1) y
P (X > 1).
42. En promedio 1 persona en 1,000 tiene un tipo particular de sangre. (a) Hallar la probabilidad de que
en una ciudad de 10,000 personas ninguna tenga este tipo de sangre. (b) Cuantas personas hay que
examinar para tener una probabilidad mayor a 1/2 de encontrar al menos una persona con este tipo
de sangre.
43. Escriba un programa de computacion que tenga como entradas n, p, j y si X b(n, p) calcule el valor
de P (X = j) y la aproximacion de Poisson para este valor.
44. Considere la distribucion de Poisson con parametro . Demuestre que el resultado mas probable es el
entero k tal que 1 k . Bajo que condiciones hay dos valores mas probables?
45. Suponga que la probabilidad de haya un accidente importante en una planta electrica es de 0.005 en
un ano. Si un pas tiene 100 plantas de este tipo, cual es la probabilidad de que haya al menos un
accidente en un ano?
4.9. EJEMPLOS. 135
46. Una linea aerea ha determinado que 4 % de los pasajeros que reservan pasajes en una ruta dada no
se aparecen al momento del vuelo. En consecuencia han adoptado la poltica de vender 100 pasajes
en un avion que solo tiene 98 asientos. Si para un vuelo dado hay 100 asientos reservados, halle la
probabilidad de que todos los pasajeros que se presentan tengan un asiento disponible.
47. Sea X una variable aleatoria con distribucion uniforme en 1 k m Cuanto vale P (X = k|a X
b)? En particular halle P (X > n + k|X > n).
48. Se capturan a miembros de una poblacion de N animales y luego de marcarlos se liberan. Los animales
luego son recapturados uno a uno hasta obtener m a animales marcados. Sea X el n umero de
animales capturados hasta obtener m marcados, demuestre que la distribucion de esta variable aleatoria
esta dada por
1
a a1 N a N 1
P (X = n) =
N m1 nm n1
Esta se conoce como la distribucion hipergeometrica negativa.
49. Sea X una variable aleatoria discreta con distribucion de Poisson de parametro . Demuestre que la
probabilidad de que X sea par es e cosh . Cuanto vale la probabilidad de que X sea impar?
50. Si X es una variable aleatoria discreta con distribucion geometrica de parametro p, demuestre que
P (X > k) = (1 p)k .
51. Sea X una variable aleatoria con distribucion geometrica de parametro p. Sea M un entero positivo y
definimos (
X si X < M,
Y =
M si X M,
es decir, Y = min(X, M ). Calcule la funcion de probabilidad de Y .
52. Sea X una variable aleatoria con distribucion geometrica de parametro p. Calcule la funcion de pro-
babilidad de X 2 .
53. Una caja contiene k bolas numeradas del 1 a k. Seleccionamos una muestra aleatoria de tama no n
sin reposicion. Sea Y el mayor de los n
umeros obtenidos y Z el menor. (a) Calcule la probabilidad
P (Y y). (b) Calcule la probabilidad P (Z z).
54. Un grupo de m personas espera por el ascensor en un edificio de 10 pisos. Supongamos que cada una
de estas personas escoge su piso de manera independiente de las otras y al azar, de modo que cada
persona selecciona un piso con probabilidad 1/10. Sea Sm el numero de veces que el ascensor se detiene.
Para estudiar esta variable aleatoria introducimos las variables Ri para i = 1, . . . , 10, donde Ri vale 1
si el ascensor se detiene en el piso i y 0 si no.
9 m
a. Cada Ri tiene una distribucion de Bernoulli. Demuestre que la probabilidad de exito p vale 1 10 .
b. Tenemos que Sm = R1 + R2 + + R10 Es cierto que Sm b(10, p)?
c. Si m = 1 tenemos P (S1 = 1) = 1. Halle las funciones de probabilidad para m = 2 y 3.
55. El fabricante de monedas del rey entrega las monedas que manufactura en cajas de 500 monedas y
coloca una moneda falsa en cada caja. El rey tiene por costumbre revisar 1 moneda seleccionada al
azar en cada caja y revisa 500 cajas cada vez. Cual es la probabilidad de que encuentre al menos una
moneda falsa? Cual sera si revisa dos monedas de cada caja?
56. Sacamos una mano de trece cartas de un juego de 52. Calcule la probabilidad de que
a. las pintas se distribuyan 4, 4, 3 y 2 (por ejemplo, cuatro diamantes, cuatro treboles, tres corazones
y dos picas).
b. las pintas se distribuyan 5, 3, 3 y 2.
136 CAPITULO 4. VARIABLES ALEATORIAS
57. Tienes un juego de cuatro dados especiales. El primero tiene dos lados con 0 y cuatro lados con 4.
El segundo tiene 3 en todos los lados. El tercero tiene cuatro lados iguales a 2 y 6 en los dos lados
restantes. El cuarto tiene 1 en tres lados y 5 en los otros tres. Para el juego entre dos personas una
escoge el dado que quiere y luego la otra hace lo mismo con los tres restantes. Ambos lanzan su dado y
el que saque el mayor resultado gana. Demuestre que no importa cual dado escoja la primera persona,
la segunda siempre puede escoger de modo de tener probabilidad 2/3 de ganar.
58. Escriba un programa de computacion para simular n valores de una variable de Bernoulli con p = 1/3.
Corra el programa para n = 100; 1000; 10000 y en cada caso determine la proporcion de los valores
que son iguales a 1.
59. Escriba un programa de computacion que tenga como entrada la funcion de probabilidad pi , i = 1, . . . n
y como resultado produzca un valor de la variable con esta funcion de probabilidad y valores en
{1, 2, . . . , n}.
j(1 p)
P (X = j + 1) = P (X = j).
j+1k
Use esta relacion para dar un nuevo algoritmo para generar esta distribucion.
e i /i!
P (X = i) = Pk , i = 0, . . . , k.
i /i!
i=0 e
62. De un metodo para generar una variable aleatoria con distribucion triangular.
63. De un metodo para generar una variable aleatoria con funcion de densidad
ex
f (x) = , 0 x 1.
e1
64. De un metodo para generar una variable aleatoria con funcion de densidad
(
x2
2 ,
f (x) = 2x/3
si 2 x 3,
2 , si 3 x 6.
65. Use el metodo de la transformada inversa para generar una variable aleatoria con funcion de distribucion
x2 + x
F (x) = , 0 x 1.
2
Captulo 5
Distribucio n Conjunta
e Independencia
5.1. Distribuci
on Conjunta de Dos Variables Aleatorias.
Sean X e Y dos variables aleatorias sobre un espacio de probabilidad com un (, A, P ). Llamaremos
funcion de distribucion conjunta , o simplemente distribucion conjunta, de X e Y , a la funcion
F (x, y) = P (X x, Y y).
En algunas ocasiones usaremos FX,Y (x, y) en lugar de F (x, y) para destacar que se trata de la distribucion
conjunta de X e Y .
La definicion anterior indica que F (x, y) es la probabilidad de que el punto (X, Y ) pertenezca al cuadrante
que queda abajo y a la izquierdadel punto (x, y), incluyendo el borde, indicado en la figura 5.1 (a).
.
......
......
. .......
....... ....
y ....
...
(x, y) d
.
................................................................................................................................................................................................
..................................
. .... ...............................................................................................................................................................................
.......................................................................................................................................... . ... ............................................................................................................................................
................................................................................................................................................................ ... ............................................................................................................................................
............................................................................................................................................................... ... ............................................................................................................................................
.......................................
....................................................................................................................................................................................................... ... ............................................................................................................................................
............................................................................................................................................................... ... ............................................................................................................................................
............................................................................................................................................................... ... .........................................................................................................
...............................................................................................................................................................
................................................................................................................................................................ c ...................................................................................................................................................................................
... ... ...
................................................................................................................................................................ ... ... ...
................................................................................................................................................................ ... ... ...
................................................................................................................................................................................................................................ .
......................................................................................................................................................................
. .
. .
................................................................................................................................................................ .... .. . . .
...............................................................................................................................................................
...............................................................................................................................................................
........................................
x a b
(b)
(a)
Figura 5.1
De esta manera
F (x, y) = P ({ : X() x} { : Y () y}).
138 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
P (a < X b, c < Y d) = P (X b, Y d) P (X b, Y c)
P (X a, Y d) + P (X a, Y c)
= F (b, d) F (b, c) F (a, d) + F (a, c) (5.1)
5.1.1. Propiedades
La distribucion conjunta de dos variables tiene ademas las siguientes propiedades:
1. F (x, y) es creciente en cualquiera de las dos variables. Por ejemplo, si x < x0 entonces
{ : X() x} { : X() x0 }
y por lo tanto
0 F (x, y) 1.
En contraste con el caso de funciones de distribucion unidimensionales, para que una funcion F (x, y)
sea la distribucion conjunta de un par de variables aleatorias X e Y , no es suficiente que tenga las tres
propiedades que hemos considerado. Por ejemplo, la funcion
(
0 si x + y < 0
F (x, y) =
1 si x + y 0
toma el valor 0 en los puntos que estan debajo de la recta y = x, y el valor 1 para los puntos sobre y por
encima de la recta (ver figura 5.2).
y................
(1, 3) ..
..
(3, 3)
...... ... ... ... ... ... ......... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .
......
...... .. .... ..
...... .. ... ..
...... .
. .
. ..
...... .. .. ..
...... .
...... .. ..
. ..
...... .
. .
. ..
...... .. . ..
...... . ..
.
...... .
.
. ..
........... .
.
. ..
.. ........ .
.
. ..
.. ...... .. ..
....... . .
.. . .. .
.. ........................................................................................................................................................................
.. .
..
..
. .
.. ..........
......
..
.
.
.
x
.. ...... .
.
..
.
.... ... ... ... ... ... ... ... ... ... ................ ... ... ... ... ... ... ... ... ... ... ..
......
......
(1, 1) ......
......
......
(3, 1)
......
......
......
...... y = x
......
......
Figura 5.2
5.2. VARIABLES ALEATORIAS INDEPENDIENTES. 139
La funcion es creciente, continua por la derecha y satisface la propiedad 2. Sin embargo, si aplicamos
la formula (5.1) para calcular la probabilidad de que el punto (X, Y ) este en el rectangulo de vertices
(3, 3); (3, 1); (1, 3); (1, 1), obtenemos
lo cual es imposible ya que una probabilidad no puede ser negativa. Por lo tanto es necesario a nadir la
condicion de que el segundo miembro de la relacion (5.1) no sea negativo para ninguna coleccion de n
umeros
a < b, c < d.
A partir de la funcion de distribucion conjunta FX,Y de dos variables aleatorias es posible obtener las
funciones de distribucion FX y FY correspondientes a las variables X e Y . En efecto, para cualquier x R
tenemos
FX (x) = P (X x) = P (X x, Y < )
= lim P (X x, Y y)
y
= lim F (x, y)
y
En terminos menos precisos, de acuerdo a lo que hemos visto sobre independencia de eventos en el
Captulo 3, esta relacion dice que saber que el valor de X esta comprendido entre ciertos valores, no arroja
informacion alguna sobre la probabilidad de que Y este en alg un intervalo dado.
Es facil ver que la condicion (5.2) es equivalente a la condicion
5.3. Distribuci
on Conjunta de Variables Aleatorias Discretas.
Si X e Y son variables aleatorias discretas, con funciones de probabilidad respectivas
P (X = xi ) = pi (i = 1, 2, . . . )
P (Y = yj ) = qj (j = 1, 2, . . . )
donde X X
pi 0, qj 0, pi = qj = 1,
i j
rij = P (X = xi , Y = yj ) (i = 1, 2, . . . ; j = 1, 2, . . . ).
En este caso {rij } se llama la funcion de probabilidad conjunta y {pi }, {qj } son las funciones marginales de
probabilidad. A partir de {rij }, FX,Y se determina mediante
X
FX,Y (x, y) = rij
i:xi x
j:yj y
y las variables X e Y son independientes si y solo si, para todo i, j se tiene que
rij = P (X = i, Y = j) = P (X = i)P (Y = j) = pi qj .
Y
y1 y2 ym
x1 r11 r12 r1m p1
x2 r21 r22 r2m p2
. .. .. .. ..
X .. . . . .
xn rn1 rn2 rnm pn
q1 q2 qm
CONJUNTA DE VARIABLES ALEATORIAS DISCRETAS.
5.3. DISTRIBUCION 141
Tabla 5.1
En la ultima columna aparecen p1 , p2 , . . . , pn , que son las sumas respectivas de las filas (condicion (5.4))
y en la ultima fila q1 , q2 , . . . , qm , que son las sumas respectivas de las columnas (condicion (5.5)).
Una situacion de este tipo aparece en diversos problemas de aplicacion. Supongamos que en el proceso de
produccion de un objeto nos interesan dos magnitudes, por ejemplo, el diametro y la longitud de un cilindro,
la densidad de un producto y la concentracion de un componente del mismo, etc. Los valores obtenidos para
estas dos magnitudes durante el proceso de produccion fluct uan en virtud de diversas causas, algunas de
ellas incontrolables, y otras cuyo control requerira un costo elevado.
Sean y dichas magnitudes, procedemos a dividir el rango de variacion de ambas en un n umero finito
de secciones que numeramos ordenadamente, de 1 a n para la magnitud y de 1 a m para la magnitud .
En la figura 5.4 hemos tomado n = 5, m = 4.
............ .
....
......
........... .
................................................ ..........................................................
.................................. ........................
...................................................................................................................................................................................................................
...................... .................................................................... ............................................................................
................. ...................................................... .............................................................
................. ...................................................... .............................................................
................. ...................................................... .............................................................
................. ...................................................... ...............................................
................................................................................................................................................................................................................
...................................... ..............................................
...................................... ..............................................
...................................... ..............................................
...................................... ..............................................
...................................... ..............................................
........................... 0 ........... .
...............................................................................................................................................................................................................
. .
............................................. ............................................
........................................................................................................................................................................................................................
......................
.
............ ..............
. .......................................................... ...............................................................
Figura 5.3
Y
1 2 m
1 N11 N12 N1m P1
2 N21 N22 N2m P2
. .. .. .. ..
X .. . . . .
.. .. .. .. ..
. . . . .
n Nn1 Nn2 Nnm Pn
Q1 Q2 Qm
Tabla 5.2
Nij es el numero de objetos de la muestra tales que el valor de esta en la i-esima seccion y el de
en la j-esima. A partir de una muestra de este tipo es posible inferir resultados sobre la Tabla 5.1, cuyos
elementos en general son desconocidos. Por ejemplo, es interesante saber si las magnitudes consideradas
fluct
uan independientemente, es decir si
P (X = i, Y = j) = P (X = i)P (Y = j)
142 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
o sea
rij = pi qj
para i = 1, . . . , n; j = 1, . . . , m. Es claro que si ambas magnitudes son independientes, se puede regular el
valor de una sin afectar el de la otra, o mas precisamente, su distribucion de probabilidad, mientras que, por
el contrario, cuando no hay independencia, se debe esperar que al regular el valor de una de las variables se
modifique la distribucion de probabilidad de la otra.
5.4. La Distribuci
on Multinomial.
Consideremos el siguiente ejemplo: se lanza un dado n veces y se cuenta el n
umero X1 de veces que se
obtiene 1 y el n umero X2 de veces que se obtiene 2. Supongamos que el dado es simetrico (es decir, que
cada cara tiene probabilidad 1/6 en cada lanzamiento) y que los lanzamientos son independientes, entonces
la distribucion conjunta de X1 y X2 esta dada por
Una manera de obtener esta expresion es la siguiente: el n umero de resultados ordenados posibles en los
n lanzamientos es 6n , ya que en cada lanzamiento tenemos 6 resultados posibles, y estos 6n resultados son
igualmente probables. Por lo tanto, basta calcular el n
umero de veces que obtenemos i unos, j dos y n i j
caras que no son ni unoni dos. Para ello procedemos as: elegimos los i lugares en que ponemos los unos, lo
cual podemos hacer de ni formas; entre los n i lugares que nos quedan, elegimos j lugares donde colocar
los dos, lo cual podemos hacer de ni j maneras, y en los n i j lugares que nos quedan, colocamos de
todas las maneras posibles caras que no son ni 1 ni 2, lo cual podemos hacer de 4nij formas. En total
tendremos
n n i nij n! (n i)!
4 = 4nij
i j i! (n i)! j! (n i j)!
casos favorables. Dividiendo por el n umero de casos posibles, 6n , obtenemos (5.6).
Esta distribucion es un caso particular de la distribucion multinomial. En cuanto a las distribuciones
marginales tenemos para i = 0, 1, . . . , n,
ni
X
pi = P (Xn = i) = rij
j=0
ni
X n! 4nij
=
j=0
i! j! (n i j)! 6n
X ni
n! (n i)! 4nij
=
i!(n i)! j=0 j!(n i j)! 6n
i ni
n 1 ni n 1 5
= (1 + 4) = ,
i 6n i 6 6
la funcion de probabilidad binomial b(n, 1/6), que sabemos que corresponde a la variable aleatoria X1 .
5.5. FUNCIONES DE VARIABLES ALEATORIAS INDEPENDIENTES 143
Una situacion analoga a la anterior se plantea cuando consideramos el siguiente caso de muestreo. Tenemos
una poblacion de N individuos clasificados en 3 grupos de tama nos respectivos N1 , N2 , N3 . Los grupos son
disjuntos y N1 + N2 + N3 = N.
Si tomamos una muestra de tama no n al azar y con reposicion, y denotamos por X1 , X2 , X3 respecti-
vamente el numero de elementos de la muestra que estan en la clase 1, 2 o 3, tenemos
n!
P (X1 = i, X2 = j, X3 = n i j) = pi pj pnij
i! j! (n i j)! 1 2 3
para i + j n, donde pk = Nk /N, (k = 1, 2, 3) indica la fraccion de la poblacion que esta en la i-esima clase.
El calculo es enteramente similar al del ejemplo anterior.
Si en lugar de tres clases tenemos m, con una notacion analoga se tiene
n!
P (X1 = i1 , X2 = i2 , . . . , Xm = im ) = pi1 pi2 pimm
i1 ! i2 ! im ! 1 2
con i1 + i2 + + im = n. La distribucion correspondiente se conoce como la distribucion multinomial.
Si el muestreo se hace sin reposicion, en lugar de la probabilidad anterior tenemos
N1 N2 Nm
...
P (X1 = i1 , X2 = i2 , . . . , Xm = im ) = i1 i2N im
n
X1 = g(X) Y1 = h(Y )
rij = P (X = xi , Y = yj ) (i = 1, 2, . . . ; j = 1, 2, . . . ).
S =X +Y
144 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
donde la suma se extiende a todas las parejas de ndices (i, j) tales que xi + yj = sk . En particular, si X e
Y son independientes con funciones de probabilidad respectivas
P (X = xi ) = pi ; P (Y = yj ) = qj ,
Ejemplo.
Consideremos, por ejemplo, el caso de la distribucion binomial, ejemplificada mediante el modelo mas
sencillo de control de calidad, consistente en sucesivas extracciones independientes con reposicion y
con probabilidad p de extraer un objeto defectuoso en cada ocasion.
Ponemos Xi = 0 o 1 respectivamente, si extraemos un objeto bueno o defectuoso en la i-esima extrac-
cion, y denotamos por dn el n
umero de defectuosos al cabo de n extracciones. Entonces
dn = dn1 + Xn (5.8)
donde las variables aleatorias discretas dn1 y Xn son independientes. La funcion de probabilidad de
dn se obtiene usando (5.7) y (5.8):
k
X
pn,k = P (dn = k) = P (dn1 = j)P (Xn = k j).
j=0
Se obtiene
p1,1 = p p1,0 = 1 p
pn,n = p pn1,n1 pn,0 = (1 p)pn1,0
pn,k = p pn1,k1 + (1 p)pn1,k (k = 1, 2, . . . , n 1)
Utilizando estas igualdades y procediendo por induccion se obtiene la formula conocida para la funcion
de probabilidad binomial
n k
pn,k = p (1 p)nk , (k = 0, 1, . . . , n).
k
J
Para simplificar la notacion vamos a suponer que X, Y son variables con valores i, j, donde i, j Z.
Entonces la ecuacion (5.7) es X X
P (S = k) = ri,j = ri,ki .
i+j=k i
Ejemplos.
1. Suma Binomial. Si X tiene distribucion binomial b(n, p) e Y tiene distribucion binomial b(m, p),
entonces la distribucion de S = X + Y es
Xk
n i ni m
P (S = k) = pq pki q mk+i
i=0
i k i
Xk
n m
= pk q m+nk
i=0
i ki
m + n k m+nk
= p q
k
de modo que S = X + Y tiene distribucion binomial b(m + n, p).
2. Suma Poisson. Si X, Y son variables de Poisson independientes, con parametros y respectiva-
mente, entonces
Xk k
i ki e(+) X k i ki
P (S = k) = e e =
i=0
i! (k i)! k! i=0
i
e(+)
= ( + )k .
k!
de modo que S tiene distribucion de Poisson con parametro + .
3. Suma Geom etrica. Sean X, Y variables independientes con distribucion geometrica de paramero p.
Entonces para k 2,
k1
X
P (S = k) = q i1 pq ki1 p
i=1
= (k 1)q k2 p2 ,
que es una distribucion binomial negativa.
Ya conocemos la distribucion de T1 , porque esta variable representa el tiempo de espera hasta el primer
exito, y tiene por lo tanto una distribucion geometrica. Ahora bien, una vez que ocurre el primer exito, la
independencia implica que lo que ocurre despues es como si iniciaramos el proceso de nuevo, y por lo tanto
T2 tiene la misma distribucion que T1 y ademas son variables independientes. Veamos esto en detalle.
Para i y j en N el evento {T1 = i, T2 = j} ocurre si hay (i 1) fracasos inicialmente, luego un exito,
luego (j 1) fracasos mas y finalmente un segundo exito:
00 . . . 0} 1 |00 {z
| {z . . . 0} 1
(i 1) (j 1)
de modo que estas variables son independientes. De manera similar se puede demostrar que cualquier colec-
cion de variables Ti1 , . . . , Tik son independientes.
Existe una relacion fundamental entre estas variables Tk y las variables Sn . Supongamos que para cierta
sucesion de ensayos de Bernoulli el k-esimo exito ha ocurrido antes de o en el n-esimo experimento: Tk n.
Para que esto suceda, el n umero de exitos en los primeros n ensayos debe ser mayor o igual a k: Sn k.
Recprocamente, si Sn k entonces Tk n.
Por otro lado, si Tk = n, el k-esimo exito ocurre en el experimento n. Esto quiere decir que en los primeros
n 1 ensayos ocurrieron k 1 exitos y el n-esimo ensayo resulto en exito: Sn1 = k 1 y Xn = 1. La relacion
recproca tambien es cierta y es facil de verificar. Resumimos estos resultados en la siguiente proposicion.
Proposici
on 5.1 Si k n tenemos
a. Tk n si y s
olo si Sn k.
b. Tk = n si y s
olo si Sn1 = k 1, Xn = 1.
..... .
...
..........
.. ..
... ....
....
... .
.. .
... .
......... ....
. .. ...
.
. . . ..
... ..... .. ..... ...
... ..
....... ..
.
...
... ...... .... .
...
.
. ...
... . ....
.. .......... ...
... .
... ..
... .
.....
.
...
... ........ ....
. ...... ....
.
.
.
... ...
. . .. .
... ... . . ...
.
.
. ...
... ....
.. ...
..... ....
.. ..
... .. .... .. .
... ...
............... ........
.
. .....
.. .
... .
..
...........................................................................................................................................
.................
................................... ...............................................................
...................
.
.
..... .... ...
.... .
..
0 12345 ... n
Figura 5.4
Proposici
on 5.2 Para 0 k n, P (Sn = k) = 0 si k y n no tienen la misma paridad. En caso contrario
tenemos
n
P (Sn = k) = n+k p(n+k)/2 q (nk)/2 .
2
n+k nk
s= , t=
2 2
que son enteros si y solo si n y k tienen la misma paridad. Si esto es cierto, tenemos s = (n + k)/2 exitos en
n ensayos de Bernoulli, que corresponde a una distribucion binomial:
n
P (Sn = k) = n+k p(n+k)/2 q (nk)/2 .
2
En el captulo 3 estudiamos un problema asociado al paseo al azar: el problema de la ruina del jugador.
En el proximo captulo analizaremos otro problema que es el de la duracion promedio del juego.
b r
p0 = P (X1 = 0) = , p1 = P (X1 = 1) = .
N N
148 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
b(b 1)
P (X1 = 0, X2 = 0) = P (X2 = 0|X1 = 0)P (X1 = 0) = .
N (N 1)
br br r(r 1)
P (X1 = 0, X2 = 1) = , P (X1 = 1, X2 = 0) = , P (X1 = 1, X2 = 1) = ,
N (N 1) N (N 1) N (N 1)
y vemos que la funcion de probabilidad conjunta no es el producto de las funciones de distribucion individuales
de modo que las variables no son independientes.
Usando de nuevo la ley de la probabilidad total no es difcil ver que si i1 , i2 , . . . , in toman valores 0 o 1,
y hay j unos (y n j ceros) con 0 j r, 0 n j b, entonces
N n
rj
P (X1 = i1 , X2 = i2 , . . . , Xn = in ) = N
n
5.10. Ejemplos.
1. Se extrae una muestra de tama no dos con reposicion de una bolsa que contiene dos bolas blancas,
una negra y dos rojas. Definimos las variables aleatorias X1 y X2 de la siguiente manera: para k =
1, 2, Xk = 1 o 0 seg
un si la bola obtenida en la k-esima extraccion es blanca o no lo es.
a. Describa la funcion de probabilidad conjunta de estas variables.
b. Describa las funciones marginales de probabilidad.
c. Son independientes estas variables aleatorias?
d. Que sucede si el muestreo se realiza sin reposicion?
5.10. EJEMPLOS. 149
X
1 0 1
1 1/5 0 1/5
Y 0 0 1/5 0
1 1/5 0 1/5
G(z) = P (Z z) = P (max(X, Y ) z)
= P (X z, Y z) = P (X z)P (Y z)
= F 2 (z).
P (X + Y = j) = 0.
Si 2 j N
j1
X j1
X 1 j1
P (X + Y = j) = P (X = i, Y = j i) = 2
=
i=1 i=1
N N2
mientras que para N + 1 j 2N , definiendo i = j N tenemos
N
X
P (X + Y = j) = P (X + Y = N + i) = P (X = k, Y = N + i k)
k=i
N i+1 2N j + 1
= = .
N2 N2
Resumiendo
2
(j 1)/N para 2 j N,
P (X + Y = j) = (2N j + 1)/N 2 para N + 1 j 2N,
0 en cualquier otro caso.
J
I Tenemos
P (X = i, Y = j) = P (X = i, Y = j, N = i + j)
= P (X = i, Y = j|N = i + j)P (N = i + j)
(i + j)! i j i+j
= pq e
i!j! (i + j)!
i j
(p) p (q) q
= e e
i! j!
Esta funcion de probabilidad se factoriza para todos los valores de X e Y , de modo que estas variables
son independientes y tienen distribucion de Poisson con parametros p y q, respectivamente.
J
5.10. EJEMPLOS. 151
Ejercicios
1. Dada la funcion de probabilidad conjunta definida por
en los puntos (1, 1); (2, 1); (2, 1) y (3, 1), donde C es una constante, determine en valor de C y obtenga
la funcion de probabilidad marginal correspondiente a la primera variable.
2. Sean X, Y variables aleatorias con valores en {1, 2, . . . , n} y con funcion de probabilidad conjunta dada
por (5.9). Halle el valor de C y las distribuciones marginales.
3. La funcion pi,j esta dada por pi,j = Ci j para i, j N y 0 < , < 1. Halle el valor de C para que
pi,j sea una funcion de probabilidad.
4. Es pi,j = (0.5)i+j para i, j {0, 1, 2, . . . } una funcion de probabilidad? Si la respuesta es positiva,
calcule P {1 i 3, j 2}.
5. La funcion pi,j esta dada por
10 1 10
pi,j = C .
j 2
Halle el valor de C y determine las funciones de probabilidad marginales.
6. Sea X una variable aleatoria de Bernoulli con probabilidad de exito p y sean Y = 1 X, Z = XY .
Halle la distribucion conjunta de (X, Y ); (X, Z) y (Y, Z) Es independiente alguna de estas parejas?
7. Sean X, Y variables aleatorias con funcion de probabilidad conjunta
i + j i+j
rij = C ,
i!j!
para i, j 0 donde > 0 es una constante. Halle C, las distribuciones marginales de X e Y y
P (X + Y = k). Son independientes estas variables aleatorias?
8. Sea = {1 , 2 , 3 } y P la distribucion uniforme en (todos los puntos tienen igual probabilidad).
Definimos las variables X, Y y Z de la siguiente manera: X(1 ) = Y (2 ) = Z(3 ) = 1, X(2 ) =
Y (3 ) = Z(1 ) = 2, X(3 ) = Y (1 ) = Z(2 ) = 3. Demuestre que estas tres variables tienen la misma
funci
on de probabilidad. Halle las funciones de probabilidad de X + Y , Y + Z y X + Z.
9. Considere un grupo de cartas que consiste de J, Q, K y A de las cuatro pintas. Se extraen dos
cartas del grupo sin reposicion y llamamos X e Y al n umero de diamantes y corazones obtenidos,
respectivamente. Obtenga la funcion de probabilidad conjunta y la funcion marginal correspondiente
a X.
10. Una caja tiene 6 bolas numeradas del 1 al 6. Las bolas numeradas 1 y 2 son rojas mientras que las
otras son blancas. Extraemos dos bolas al azar de la caja y sean X, Y las variables aleatorias que
representan el numero de bolas rojas y el n
umero de bolas pares en la muestra, respectivamente. Halle
la distribuciones de X e Y y su distribucion conjunta. Determine si estas variables son independientes.
11. Una caja contiene ocho bolas numeradas del 1 al 8. Las primeras cuatro son rojas y las otras blancas.
Seleccionamos dos bolas al azar de la caja y definimos las siguientes variables: X es el n umero de
bolas blancas en la muestra, Y es el numero de bolas pares y Z el n umero de bolas en la muestra
cuyo numero es menor que 6. Halle la distribucion conjunta de las variables (X, Y ); (X, Z); (Y, Z) y
(X, Y, Z). Estudie la independencia de estas variables.
12. Sea X el numero de aces en una mano de poker e Y el n umero de reinas. Halle la funcion de pro-
babilidad conjunta para estas variables y sus funciones de probabilidad marginales. Determine si son
independientes.
152 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
13. Lanzamos una moneda tres veces. Sea X el n umero de aguilas en los dos primeros lanzamientos e Y el
n
umero de aguilas en el tercer lanzamiento. Halle la distribucion conjunta de X, Y , la distribucion de
Z = X + Y y la de W = X Y .
14. Sacamos cinco cartas con reposicion de un paquete de 52 cartas. Cual es la probabilidad de obtener
dos diamantes y un trebol? Cual es la probabilidad de obtener dos ases, dos reinas y un 10?
15. Un componente electronico puede fallar de cuatro maneras distintas, y las probabilidades respectivas
son p1 = 0.2; p2 = 0.15; p3 = 0.25; p4 = 0.4. Si examinamos 10 componentes, Cual es la probabilidad
de que haya exactamente tres fallas de tipo 1, dos de tipo 2, dos de tipo 3 y y tres de tipo 4?
16. Las probabilidades de llenar una declaracion de impuestos correctamente, con un error que favorezca
al fisco, con un error que favorezca al declarante o con ambos tipos de errores son, respectivamente,
0.6; 0.2; 0.15 y 0.05. Calcule la probabilidad de que entre 10 declaraciones de impuestos 5 esten correctas,
3 tengan errores a favor del declarante, 1 tenga un error a favor del fisco y una tenga ambos tipos de
errores.
17. A traves de un estudio se ha determinado que al llegar a cierto cruce, 50 % de los vehculos continua
de frente, 30 % da vuelta a la derecha y el resto da vuelta a la izquierda. Calcule la probabilidad de
que de los siguientes cinco automoviles, uno de vuelta a la izquierda, dos a la derecha y los otros dos
sigan de frente. Calcule la probabilidad de que entre los siguientes siete automoviles a lo sumo dos den
vuelta a la izquierda.
18. Un taller mecanico hace afinaciones para vehculos de 4, 6 y 8 cilindros. Hay dos tipos de afinacion en
cada caso, seg
un los puntos que se revisen y los cambios que se efect uen. El precio P es 100 k, donde
k es el n
umero de cilindros, para el afinamiento normal (N ) y 200 k para el afinamiento especial (E).
La siguiente tabla muestra la funcion de probabilidad conjunta para estas variables.
K
4 6 8
P N 0.3 0.2 0.1
E 0.05 0.05 0.1
Halle las funciones de probabilidad marginales para las variables K y P . Si Z es el costo total del
afinamiento para un carro que va al taller, halle su funcion de probabilidad.
19. Considere dos variables aleatorias X e Y con distribucion conjunta discreta definida por la siguiente
tabla para la funcion de probabilidad conjunta, donde h = 1/60.
X1
0 1 2
0 h 2h 3h
X2 1 2h 4h 6h
2 3h 6h 9h
3 4h 8h 12h
Calcule
a. P (X 1, Y 1) b. P (X + Y 1) c. P (X + Y > 2) d. P (X < 2Y )
e. P (X > 1) f. P (X = Y ) g. P (X Y |Y > 1) h. P (X + Y 2 1)
2
5.10. EJEMPLOS. 153
20. Repita el ejercicio anterior para la siguiente funcion de probabilidad conjunta (de nuevo h = 1/60).
X1
0 1 2
0 h 6h 6h
X2 1 2h 8h 9h
2 3h 2h 12h
3 4h 4h 3h
21. Las funciones de probabilidad marginales de las variables aleatorias discretas X e Y estan dadas en la
siguiente tabla:
X
1 2 3 4 5
1 5/14
2 4/14
Y 3 3/14
4 2/14
5 1/14
1/14 5/14 4/14 2/14 2/14 1
Para i, j entre 1 y 5 la probabilidad conjunta P (X = i, Y = j) solo puede tomar los valores 0 y 1/14.
Determine la funcion de probabilidad conjunta para X e Y .
22. Si A es un conjunto medible hemos definido la funcion 1A () como la funcion que vale 1 si A y 0 si
no. Demuestre que dos eventos A y B son independientes si y solo si 1A y 1B son variables aleatorias
independientes.
23. Demuestre que dos variables aleatorias X, Y son independientes si y solo si para cualesquiera x, y R,
P (X > x, Y > y) = P (X > x)P (Y > y).
24. Demuestre que dos variables aleatorias X, Y son independientes si y solo si para cualesquiera a, b, c, d
R, con a < b y c < d se tiene
P (a < X b, c < Y d) = P (a < X b)P (c < Y d).
25. Lanzamos un dado dos veces. Sea X el resultado del primer lanzamiento, Y el mayor de los resultados de
los dos lanzamientos. Halle la distribucion conjunta y las distribuciones marginales de estas variables.
Determine si son independientes.
26. Lanzamos una moneda tres veces y definimos las siguientes variables aleatorias: X es el n umero de
aguilas, Y es la longitud de la mayor sucesion de aguilas en la muestra. Por ejemplo Y (A, S, A) =
1, Y (A, A, S) = 2. Halle la distribucion conjunta, las distribuciones marginales y determine si estas
variables son independientes.
27. Lanzamos una moneda cuatro veces y definimos las siguientes variables aleatorias: X vale 1 si hay mas
aguilas que soles y vale 0 si esto no es cierto. Por otro lado, Y representa la longitud de la mayor
sucesi
on de aguilas en la muestra. Hallar la distribucion conjunta y las marginales. Determine si estas
variables son independientes.
28. Una funcion de probabilidad conjunta esta dada por p0,0 = a, p0,1 = b, p1,0 = c, p1,1 = d, donde
necesariamente a + b + c + d = 1. Demuestre que una condicion necesaria para que haya independencia
es que ad = bc.
154 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
29. Sean X, Y variables aleatorias independientes e identicamente distribuidas que toman valores 1, 2, 3
con igual probabilidad. Definimos Z = X Y , W = X + Y . Halle la distribucion conjunta de estas
variables y sus distribuciones marginales. Son independientes?
30. Sean X, Y variables aleatorias con valores en {1, 2, . . . , n} y funcion de probabilidad conjunta pij =
1/n2 . Halle las funciones de probabilidad marginales y determine si las variables son independientes.
Calcule P (X > Y ) y P (X = Y ).
31. En un vivero se siembran n semillas. Cada una de ellas germina de manera independiente con probabili-
dad . Las X plantas germinadas son transplantadas a macetas y sobreviven de manera independiente
con probabilidad . sea Y el n
umero de plantas que sobreviven. Halle la funcion de distribucion con-
junta de X, Y y las marginales.
1 2 3 4 5 6 7 8
X 1 2 1 2 1 2 1 2
Y 1 2 3 1 2 3 1 2
Z 1 2 3 4 1 2 3 4
Halle las distribuciones de probabilidad de X, Y y Z y las distribuciones conjuntas de (X, Y ); (X, Z);
(Y, Z) y (X, Y, Z).
33. Considere dos eventos A y B tales que P (A) = 1/4, P (B|A) = 1/2 y P (A|B) = 1/4. Definimos las
variables X e Y por X = 1A , Y = 1B , donde 1E (x) vale 1 si x E y vale 0 si x
/ E. Diga si las
siguientes proposiciones son ciertas o falsas.
a. Las variables aleatorias X e Y son independientes.
b. P (X 2 + Y 2 = 1) = 1/4.
c. P (XY = X 2 Y 2 ) = 1.
d. La variable aleatoria X tiene distribucion uniforme en el intervalo (0, 1).
e. Las variables X e Y tienen la misma distribucion.
34. Sean X, Y variables aleatorias independientes, X con distribucion geometrica de parametro p e Y con
distribucion geometrica de parametro r. Demuestre que Z = min{X, Y } tiene distribucion geometrica
de parametro p + r pr.
35. Sean X, Y variables aleatorias independientes, X con distribucion geometrica de parametro p e Y con
distribucion geometrica de parametro r. Sean U = min{X, Y }, V = max{X, Y }, W = V U . Halle
la distribucion conjunta de U y V y la de U y W . Demuestre que estas dos u ltimas variables son
independientes.
36. Sean X, Y variables aleatorias independientes, ambas con distribucion geometrica de parametro p.
Demuestre que
1
P (X = k|X + Y = n) =
n+1
para k = 0, 1, . . . , n.
37. Sean X1 , X2 , . . . , Xn variables aleatorias independientes discretas con distribucion uniforme en el con-
junto {1, 2, . . . , k}. Halle la funcion de distribucion conjunta de la variables Mn y mn definidas por
Mn = max{X1 , X2 , . . . , Xn }; mn = min{X1 , X2 , . . . , Xn }
5.10. EJEMPLOS. 155
50. Considere un paseo al azar simetrico simple S con S0 = 0. Definimos U = min{0 j n : S2j = S2n }
el instante de la primera visita a la posicion que ocupa en el instante 2n. Demuestre que
P (U = 2k) = P (S2k = 0)P (S2n2k = 0),
para 0 k n.
156 CAPITULO 5. DISTRIBUCION
CONJUNTA E INDEPENDENCIA
Captulo 6
tica
Esperanza Matema
Comenzaremos por definir la nocion de valor esperado para variables aleatorias discretas.
Definicion 6.1 Sea X una variable aleatoria discreta con la notacion anterior, y llamemos pn = P (X =
xn ), n = 1, 2, . . . . Diremos que existe el valor esperado, la media o la esperanza matem
atica de X si la serie
X
|xn |pn (6.1)
n=1
es convergente. En ese caso, el valor esperado se denota E(X) y se define mediante la serie
X
E(X) = xn pn (6.2)
n=1
Ejemplo 6.1
Sea X el resultado de lanzar un dado, entonces X toma valores {1, 2, 3, 4, 5, 6} con probabilidad uniforme
en este conjunto. Por lo tanto
X6
1 21
E(X) = i = = 3.5
i=1
6 6
Observamos que en este caso el valor esperado no es un valor posible de la variable aleatoria.
158 CAPITULO 6. ESPERANZA MATEMATICA
6.1.1. Propiedades
La esperanza matematica de una variable discreta tiene las siguientes propiedades.
y, por lo tanto,
N
X N
X
|xn |pn C pn C.
n=1 n=1
Es decir que las sumas parciales de la serie (6.1) resultan estar acotadas por la constante C. Ahora
bien, recordemos que para una serie de terminos no-negativos es el caso de la serie (6.1) es necesario
y suficiente para que converja que sus sumas parciales esten acotadas. Como las de (6.1) lo estan, esta
serie es convergente y el valor esperado de X existe.
Observaci on 6.1 Una primera observacion es que si una variable aleatoria toma solamente un n
umero
finito de valores, entonces su esperanza matematica esta bien definida, ya que (6.1) se reduce a una
suma finita.
Por otra parte, no siempre existe el valor esperado de una variable aleatoria. Por ejemplo, consideremos
la variable aleatoria X tal que
1
xn = 2n y pn = P (X = 2n ) = , n 1.
2n
Es claro que
X
pn = 1.
n=1
Se tiene que xn pn = 1, para todo n y por lo tanto, la serie (6.1) es divergente, de modo que esta
variable aleatoria no tiene esperanza matematica.
En algunos textos el lector encontrara que, en casos como el de este ejemplo, en el cual la variable
aleatoria X es no-negativa y la serie (6.1) diverge, se conviene en definir E(X) = + en lugar de hacer
como hemos optado, esto es, decir que no existe la esperanza.
Se debe hacer especial atencion, sin embargo, en que si la variable no es no-negativa (o, en general, de
signo constante), no hay esa opcion convencional. Por ejemplo, si modificamos el ejemplo considerado
y tomamos la variable aleatoria Y tal que
1 1
P (Y = 2n ) = P (Y = 2n ) = n 1,
2n+1 2n+1
entonces, nuevamente (6.1) diverge y no existe E(Y ).
Entonces
E(1A ) = P (A).
Es claro que 1A es discreta, ya que toma solamente dos valores y
E(1A ) = 1 P (1A = 1) + 0 P (1A = 0) = P (A).
donde el conjunto de los valores de n sobre los que se suma es el conjunto de los valores tales que
g(xn ) = ym . Sustituyendo en (6.4)
X X X X
E(Y ) = ym pn = g(xn )pn
m {n:g(xn )=ym } m {n:g(xn )=ym }
y ahora, un instante de reflexion mostrara al lector que la suma doble que aparece en la u
ltima igualdad
es, simplemente, la suma sobre todos los valores de n, ya que cada n aparece una y solo una vez all.
En resumen X
E(Y ) = g(xn )pn
n
como afirmamos en el enunciado de la propiedad 4.
Observaci on 6.2 La ventaja que tiene la formula (6.3), es que nos permite calcular E(Y ) sin necesidad
de calcular previamente la funcion de probabilidad de la variable aleatoria Y , bastandonos con la
funci
on de probabilidad de X.
Observe que la desigualdad entre las sumas de las series, se deduce simplemente de que
N
X N
X
|xn |pn | xn pn |
n=1 n=1
E(X) = E(X).
rnm = P (X = xn , Y = ym ), pn = P (X = xn ), qm = P (Y = ym ),
donde en la ultima suma hay que entender que la suma interior se efect
ua sobre todas las parejas de
ndices (n, m) tales que xn + ym = zk . La u
ltima expresion es:
X X X X
|xn + ym |rnm = |xn + ym |rnm (|xn | + |ym |)rnm
k {(n,m):xn +ym =zk } n,m n,m
X X X X
= |xn | rnm + |ym | rnm
n m m n
X X
= |xn |pn + |ym |qm < ,
n m
Propiedad 9. Si X e Y son variables aleatorias independientes con valor esperado, entonces existe
E(XY ) y
E(XY ) = E(X) E(Y ). (6.5)
rnm = P (X = xn , Y = ym ) = P (X = xn )P (Y = ym ) = pn qm ,
y m un n
umero positivo. Si X
|xn |m pn < ,
n
(Ver la propiedad 4, con g(x) = (x E(X))m . En la definicion se sobrentiende que existe la esperanza de la
variable aleatoria X).
Se acostumbra denominar varianza (Var(X)) al momento centrado de orden 2 cuando existe es decir
siempre que la esperanza que figura en el segundo miembro este bien definida, y el coeficiente de correlacion
de X e Y por
Cov(X, Y )
(X, Y ) = p , (6.8)
Var(X) Var(Y )
siempre que el segundo miembro tenga sentido.
Finalmente, se dice que X e Y no estan correlacionadas, son no-correlacionadas o incorreladas si Cov(X, Y ) =
0.
6.2.1. Propiedades
Veamos a continuacion algunas propiedades de estos momentos.
Propiedad 1. Si a es una constante y X una variable aleatoria que tiene varianza, entonces
Var(X) = Var(X + a)
y
Var(aX) = a2 Var(X).
f (x) = E[(U xV )2 ] ,
Tomando en cuenta quienes son U y V y las definiciones de varianza y covarianza, resulta la desigualdad
que queramos probar.
6.2. MOMENTOS DE ORDEN SUPERIOR. MOMENTOS CENTRADOS. 163
Propiedad 4. Sean X e Y dos variables aleatorias tales que esta definido el coeficiente de correlacion.
Entonces
1 (X, Y ) 1 (6.9)
P (X = c) = 1.
(Esta propiedad de que P (X = c) = 1 se enuncia a veces diciendo que X es una variable aleatoria
casi seguramente igual a la constante c).
Demostracion. Para probar esta propiedad, recordemos que X es una variable aleatoria discreta. (El
resultado tambien sera cierto en general, como ocurre con casi todas las propiedades que hemos estu-
diado, pero eso lo veremos mas adelante).
Entonces la variable aleatoria Y = (X E(X))2 tambien es discreta y toma valores mayores o iguales
a cero, digamos {ym }. Nuestra hipotesis es que
E(Y ) = 0.
P (Y = 0) = P (Y 0) P (Y > 0) = 1 0 = 1.
P (X = E(X)) = 1,
Observaci
on 6.3 Es obvio que el recproco de esta propiedad es cierto, ya que si
P (X = c) = 1 entonces E(X) = c
y
Var(X) = E((X c)2 ) = 0,
puesto que
P (X c = 0) = P (X = c) = 1.
Propiedad 6. Sean X1 , X2 , . . . , Xn variables aleatorias independientes, cada una de las cuales tiene
varianza, entonces la suma tambien tiene varianza y
Demostracion. Basta probar la igualdad (6.10) para n = 2. Para n > 2 se sigue por induccion completa,
y queda como ejercicio.
Sea entonces n = 2 y pongamos Y1 = X1 E(X1 ), Y2 = X2 E(X2 ). Como X1 , X2 son variables
aleatorias independientes, tambien lo son Y1 , Y2 y, en consecuencia, por la propiedad 9 de la seccion
6.1.1
E(Y1 Y2 ) = E(Y1 ) E(Y2 ) = 0
Se deduce que
Propiedad 7. Sea X una variable aleatoria y supongamos que existe su momento de orden m. Entonces
tambien existe su momento de orden k, para cualquier k, que satisfaga 0 k < m.
Demostracion. Para probar que existe el momento de orden k hay que ver que
X X
|xn |k pn < , donde pn = P (X = xn ), pn = 1.
n n
En efecto, si |x| 1 la desigualdad es cierta ya que, en este caso, el primer miembro es menor o igual
que 1 y el segundo es mayor o igual que 1. Por otra parte, si |x| > 1, es claro que
Sn = X1 + X2 + + Xn .
P (Xi = 1) = p i = 1, 2, . . .
y
E(Xi ) = 1 P (Xi = 1) + 0 P (Xi = 0) = p
Se deduce que !
n
X n
X
E(Sn ) = E Xi = E(Xi ) = np.
i=1 i=1
y
Var(Xi ) = E(Xi2 ) (E(Xi ))2 = p p2 = p(1 p),
ya que Xi2 = Xi puesto que Xi = 0 o 1. Reemplazando en la igualdad anterior, resulta
Var(Sn ) = np(1 p)
Tambien podemos calcular E(Sn ) y Var(Sn ) directamente, ya que conocemos la funcion de probabilidad
de Sn , que es binomial b(n, p), es decir que
n k
P (Sn = k) = p (1 p)nk , k = 0, 1, 2, . . . , n
k
Observamos que la u ltima suma es igual a 1 ya que no es otra cosa que la suma de todas las probabil-
idades (j = 0, 1, . . . , n 1) correspondientes a una distribucion binomial con (n 1) observaciones. O,
tambien, es el desarrollo de Newton del binomio (p + 1 p)n1 = 1.
Con un calculo parecido tambien reencontramos el resultado que hemos obtenido para Var(Sn ); ob-
servemos primero que
Var(Sn ) = E(Sn2 ) (E(Sn ))2 = E(Sn (Sn 1)) + E(Sn ) (E(Sn ))2
y entonces
n
X
E(Sn (Sn 1)) = k(k 1)P (Sn = k)
k=0
Xn
n k
= k(k 1) p (1 p)nk
k
k=2
n
X (n 2)!
= n(n 1)p2 pk2 (1 p)nk
(n k)!(k 2)!
k=2
X n 2
n2
= n(n 1)p2 pj (1 p)n2j = n(n 1)p2 .
j=0
j
La u
ltima suma nuevamente vale 1, por un argumento analogo al ya empleado. Reemplazando en la
igualdad anterior
Var(Sn ) = n(n 1)p2 + np (np)2 = np(1 p).
2. Distribucion de Poisson. Recordemos que la variable aleatoria X tiene distribucion de Poisson con
parametro > 0 si
k
P (X = k) = e k = 0, 1, 2, . . .
k!
Entonces
X
X k
E(X) = kP (X = k) = k e
k!
k=0 k=0
X X
k1 j
= e = e
(k 1)! j=0
j!
k=1
= e e = ,
P j
donde hemos empleado el desarrollo de Taylor de la funcion exponencial e = j=0 j! . Por lo tanto
E(X) = .
Ademas
X X k2
k
E(X(X 1)) = k(k 1) e = 2 e
k! (k 2)!
k=0 k=2
X j
= 2 e = 2
j=0
j!
y en consecuencia
Var(X) = E(X 2 ) (E(X))2 = E(X(X 1)) + E(X) (E(X))2
= 2 + 2 = .
6.3. EJEMPLOS Y APLICACIONES. 167
Es decir
Var(X) = .
P (X = n) = p(1 p)n1 n = 1, 2, . . .
es una serie de potencias y R es su radio de convergencia (lo cual significa que si |z| < R la serie
converge y que, cuando R < , si |z| > R la serie no converge), si denotamos por f (z) la suma de la
serie para |z| < R:
X
f (z) = cn z n (|z| < R),
n=0
entonces f es derivable y
X
f 0 (z) = ncn z n1 (|z| < R).
n=0
Lo cual significa que, para |z| < R, podemos calcular la derivada de la funcion f (z) como si fuera una
suma finita, es decir, sumando las derivadas de cada uno de los terminos.
Apliquemos este resultado a la serie de potencias
X
zn.
n=0
Primero, se verifica que el radio de convergencia de esta serie es igual a 1. Esto es directo: si |z| > 1
entonces |z|n , es decir que el termino general no tiende a cero y la serie no converge, y si |z| < 1,
la suma parcial de orden N es
N
X 1 z N +1 N 1
zn = 1 + z + z2 + + zN =
n=0
1z 1z
1
es decir que la serie converge cuando |z| < 1 y su suma es 1z , o sea
X 1
zn = |z| < 1.
n=0
1z
y calculamos
X
X
E(X(X 1)) = n(n 1)P (X = n) = n(n 1)p(1 p)n1
n=1 n=1
X
= p(1 p) n(n 1)(1 p)n2 .
n=2
Ahora bien, para calcular f 00 (z) procedemos como antes, derivando termino a termino la serie que
define f 0 (z). Es decir, que para |z| < 1,
X X X
1 1 2
= zn = nz n1
= n(n 1)z n2 .
1 z n=0 (1 z)2 n=1
(1 z)3
n=2
y volviendo a (6.13)
2
2(1 p) 1 1 1p
Var(X) = + = .
p2 p p p2
4. Muestreo de poblaciones finitas. Se considera una poblacion dividida en r grupos dos a dos
disjuntos (llamados estratos) cuyas proporciones respectivas con relacion al total de los miembros
de la poblacion son q1 , q2 , . . . , qr . Se extrae una muestra de tama
no n de la poblacion, al azar y con
reposicion.
a. Calcular el valor esperado del n
umero de estratos no representados en la muestra.
b. Hacer el calculo efectivo de dicho valor esperado, en los siguientes casos numericos, suponiendo que
todos los estratos son del mismo tama no:
i) r = n = 5.
ii) r = n = 100.
Entonces, el n
umero de estratos no representados en la muestra es, evidentemente,
X1 + X2 + + Xr
y su esperanza matematica
r
X r
X
E(X1 + X2 + + Xr ) = E(Xi ) = P (Xi = 1)
i=1 i=1
ya que
E(Xi ) = 1 P (Xi = 1) + 0 P (X = 0).
6.3. EJEMPLOS Y APLICACIONES. 169
Ahora bien, cuanto vale P (Xi = 1)? El evento {Xi = 1} sucede cuando el i-esimo estrato no esta re-
presentado en la muestra, es decir, que ninguno de los n individuos seleccionados pertenece al estrato
i. En otros terminos
{Xi = 1} ={1er individuo no pertenece al estrato i}
{2o individuo no pertenece al estrato i}
{n-esimo individuo no pertenece al estrato i}.
Como el muestreo es con reposicion, los n eventos que figuran en esta interseccion son independientes
y, en consecuencia, la probabilidad de su interseccion es igual al producto de sus probabilidades:
n
Y
P (Xi = 1) = P (j-esimo individuo no pertenece al estrato i).
j=1
Ademas,
P (j-esimo individuo no pertenece al estrato i) = 1 P (j-esimo individuo pertenece al estrato i)
y esta u ltima probabilidad es qi , es decir, la proporcion de individuos que contiene el estrato i con
relacion al total. Reemplazando obtenemos
P (Xi = 1) = (1 qi )n
y
r
X
E(X1 + X2 + + Xr ) = (1 qi )n .
i=1
5. Se lanzan dos dados simetricos independientes. Sean X1 , X2 los resultados obtenidos en cada uno e
Y = max{X1 , X2 }.
a. Hallar la probabilidad conjunta de X1 e Y .
b. Calcular E(X1 ), E(Y ), Var(X1 ), Var(Y ) y Cov(X1 , Y ).
1i
rii = P (X1 = i, X2 i) = P (X1 = i)P (X2 i) = .
66
Resumiendo
1
i < j = rij = ,
36
i
i = j = rij = ,
36
i > j = rij = 0.
b.
1 21
E(X1 ) = (1 + 2 + 3 + 4 + 5 + 6) = ,
6 6
2 2
Var(X1 ) = E(X1 ) (E(X1 ))
2
1 21 35
= (1 + 22 + 32 + 42 + 52 + 62 ) = .
6 6 12
2i 1
P (Y = i) = (i = 1, 2, 3, 4, 5, 6)
36
lo cual puede calcularse directamente o usando la parte (a) de este ejercicio. Por lo tanto
1 3 5 7 9 11 161
E(Y ) = 1 +2 +3 +4 +5 +6 =
36 36 36 36 36 36 36
2 2
Var(Y ) = E(Y ) (E(Y ))
2
1 3 5 7 9 11 1
= 1 + 22 + 32 + 42 + 52 + 62
36 36 36 36 36 36 36
7365
= .
(36)2
Finalmente
Cov(X1 , Y ) = E[(X1 E(X1 ))(Y E(Y ))] = E(X1 Y ) E(X1 ) E(Y ).
6.3. EJEMPLOS Y APLICACIONES. 171
6
X X X i 6
1
E(X1 Y ) = ijrij = ij + i2
i,j=1 i<j
36 i=1 36
5 6 6
1 X X X
= i j+ i3
36 i=1 j=i+1 i=1
" 5 6
#
1 X (6 i)(6 + i + 1) X
3 154
= i+ i =
36 i=1 2 i=1
9
35
lo que implica que Cov(X1 , Y ) = 8 . J
n
1X
X= Xi ,
n i=1
Es importante no confundirlas con la media y varianza 2 de cada una de las observaciones. Estas
son constantes, mientras que las primeras son variables aleatorias.
Mostrar que
E(X) = ; E(s2 ) = 2 .
I Comenzamos con
n
! n
1X 1X
E(X) = E Xi = E(Xi ) = .
n i=1 n i=1
y por lo tanto
1 2
E((Xi )(X )) = E((Xi )2 ) = .
n n
Veamos a continuacion el tercer termino de (6.15):
E((X )2 ) es la varianza de X, ya que
n n
1X 1X n
E(X) = E( Xi ) = E(Xi ) = = .
n i=1 n i=1 n
2 2 2 n1
2 + = 2 ,
n n n
y reemplazando en la igualdad (6.14)
n
!
1 X 2 1 n1
E (Xi X) = n 2 = 2 .
n 1 i=1 n1 n
Observaci on 6.4 Es facil verificar que todo el calculo realizado en este ejercicio, y por lo tanto la
conclusion, permanece valido si las variables aleatorias X1 , . . . , Xn no estan correlacionadas, en lugar
de exigirse que sean independientes.
7. Dar un ejemplo de dos variables aleatorias X e Y que no sean independientes, pero que, sin embargo,
I Sea X una variable aleatoria que toma los valores 1, 0 y 1, cada uno con probabilidad 1/3, y definamos
Y = X 2.
Es obvio que X e Y no son variables aleatorias independientes, ya que si conocemos el valor de X,
tambien conocemos el valor de Y . Mas precisamente, por ejemplo,
P (X = 1, Y = 1) = P (X = 1),
1 1 2
P (X = 1, Y = 1) = 6= P (X = 1)P (Y = 1) =
3 3 3
ya que
2
P (Y = 1) = P (X = 1) + P (X = 1) = .
3
Sin embargo, X e Y cumplen que
E(XY ) = E(X) E(Y ).
Calculemos ambos miembros y veamos que dan lo mismo. El segundo es evidentemente igual a cero,
ya que
1 1 1
E(X) = 1 + 0 + (1) = 0.
3 3 3
En cuanto al primero, obervamos que XY = X 3 = X, ya que como X vale 1, 0 o 1, X 3 es siempre
igual a X. En conclusion
E(XY ) = E(X 3 ) = E(X) = 0.
J
1. Distribucion Uniforme. Supongamos que X tiene distribucion uniforme en el intervalo (a, b), a < b.
Sabemos que ello implica que X tiene densidad
(
1
si a < x < b,
fX (x) = ba
0 si x a o x b.
174 CAPITULO 6. ESPERANZA MATEMATICA
......
.......
..
...
.
1 ...............................................................
ba ...... ..
..
..
..
.. .. .. .
.........................................................................................................................
. . .
...
a b
Figura 6.1
Tenemos
Z + Z b
1
E(X) = x fX (x) dx = x dx
a ba
1 1 2 b+a
= (b a2 ) =
ba2 2
1. Distribucion Exponencial. Si X tiene distribucion exponencial con parametro , ( > 0), su densidad
es (
e si x > 0,
fX (x) =
0 si x 0.
Entonces Z Z
+ +
E(X) = x fX (x) dx = x ex dx.
0
Integrando por partes
+ Z +
1 x 1 x
E(X) = e x e dx
0 0
Z +
1
= ex dx =
0
es decir E(X) = 1/.
2. Distribucion Normal. Si X tiene distribucion normal con parametros (, 2 ), su densidad es
1 1 (x )2
fX (x) = exp{ } x R.
2 2 2
Se verifica facilmente que Z +
|x| fX (x) dx < ,
y efectuando el cambio de variables u = (x )/, resulta
Z +
1 1 (x )2
E(X) = x exp{ }dx
2 2 2
Z +
1 u2 /2
= (u + ) e du
2
Z + Z +
u2 /2 1 2
= ue du + eu /2 du.
2 2
2
La integral en el primer termino vale cero, dado que la funcion u eu /2 es impar y tiene integral finita.
En cuanto a la integral en el segundo termino, vale 1, ya que no es sino la integral sobre toda la recta
de la densidad normal con parametros (0, 1). Resumiendo E(X) = .
6.5. CAMBIO DE VARIABLES. MOMENTOS DE ORDEN SUPERIOR. 175
g:RR
Y = g(X).
g(x) = xk ,
entonces
E(g(X)) = E(X k )
se denomina el momento de orden k de la variable aleatoria X, que es finito si y solo si
E(|X|k ) < .
Si X tiene densidad fX y si
Z +
|x|k fX (x)dx < ,
Al igual que en el caso discreto definimos el momento centrado de orden m de X para m 2 mediante
Z +
m = E((X E(X))m ) = (x E(X))m fX (x) dx,
Observaci on 6.6 Las propiedades que demostramos para los momentos de orden superior en la seccion
6.2.1 para el caso discreto tambien son ciertas para el caso continuo y aun con mayor generalidad. Para
algunas propiedades las demostraciones no requieren modificacion, como en el caso de las propiedades 1, 2
y 6, pero en otros es necesario dar demostraciones distintas, que no incluiremos.
176 CAPITULO 6. ESPERANZA MATEMATICA
Ejemplos.
1. Distribucion Uniforme. Ya vimos que si X tiene distribucion uniforme en (a, b), entonces
a+b
E(X) = .
2
Calculemos
Z 2
+
2 a+b
Var(X) = E[(X E(X)) ] = x fX (x)dx
2
Z b 2 3 x=b
1 a+b 1 1 a + b
= x dx = x
ba a 2 ba3 2
x=a
" 3 3 #
1 ba ab (b a)2
= =
3(b a) 2 2 12
2. Distribucion Exponencial. Calculemos los momentos de orden k (k 1 entero) de una variable aleatoria
X con distribucion exponencial con parametro ( > 0).
Recurriendo a la forma de la densidad respectiva, e integrando por partes
Z + Z
k k x x k
E(X ) = x e dx = e x +k xk1 ex dx
0 0 0
de donde obtenemos
k
E(X k ) =
E(X k1 ).
Procediendo de manera inductiva se deduce de aqu que
kk1 1 k!
E(X k ) = E(X 0 ) = k
3. Distribucion Normal. Sea X una variable aleatoria con distribucion normal de parametros (0, 1), es
decir que su densidad es
1 2
(x) = ex /2 para x R.
2
Calculemos el momento de orden k (k 1 entero) de X. Es claro que estos momentos son finitos, ya
que una acotacion sencilla (que dejamos como ejercicio) muestra que
Z +
1 2
|x|k ex /2 dx < .
2
Sabemos que Z +
1 x2 /2
E(X k ) = xk e dx. (6.19)
2
Si k es impar, como el integrando resulta ser una funcion impar, la integral vale cero y E(X k ) = 0.
Si k es un n
umero par, digamos k = 2p, p entero positivo, integrando por partes en el segundo miembro
de (6.19) se obtiene
+ Z +
2p 1 2p2 x2 /2 2p2 x2 /2
E(X ) = x e + (2p 1) x e dx
2
Z +
1 2
= (2p 1) x2p2 ex /2 dx,
2
6.6. DOS FORMULAS
PARA EL CALCULO DE VALORES ESPERADOS. 177
y por lo tanto
E(X 2p ) = (2p 1) E(X 2p2 ).
Aplicando ahora un procedimiento inductivo, se tiene
(2p)!
E(X 2p ) = (2p 1)(2p 3) 3 E(X) = (6.20)
2p p!
Una variante sencilla es el calculo del momento de orden k de la variable aleatoria X , donde X
tiene distribucion normal con parametros (, 2 ).
En este caso Z +
k 1 (x )2
E((X ) ) = (x )k exp{ }dx.
2 2 2
Haciendo el cambio de variables t = (x )/, resulta dx = dt y
Z + Z +
1 t2 /2 1 t2 /2
E((X )k ) = (t)k e dt = k tk e dt
2 2
k impar E((X )k ) = 0
(2p)!
k = 2p par E((X )2p ) = 2p
2p p!
6.6. Dos F
ormulas para el C
alculo de Valores Esperados.
En primer lugar, sea X una variable aleatoria discreta, cuyos valores son enteros positivos:
X
P (X = n) = pn n = 0, 1, . . . , pn = 1.
n=0
Denotamos
X
qn = P (X > n) = pk , n = 0, 1, . . .
k=n+1
entonces
X
E(X) = qn , (6.21)
n=0
Esto ya muestra que si E(X) = +, caso en el cual el primer miembro tiende a + cuando N ,
entonces
X
qn = +,
n=0
ya que
N
X N
X 1
npn qn .
n=1 n=0
N qN 0 cuando N ,
porque
X
X
0 N qN = N pn npn 0 cuando N ,
n=N +1 n=N +1
dado que el ultimo miembro de esta cadena de desigualdades es la colade una serie convergente. Pero
entonces, pasando al lmite en (6.22) cuando N , se obtiene (6.21).
La segunda formula que veremos, de la cual en realidad (6.21) es un caso particular, es la siguiente: Sea
X una variable aleatoria no-negativa y FX su funcion de distribucion. Entonces
Z +
E(X) = (1 FX (x)) dx. (6.23)
0
y tambien que si E(X) = +, la integral en el segundo miembro de (6.36) es divergente, y en este sentido,
tambien vale la igualdad. El lector interesado puede encontrar la demostracion de (6.23) en el apendice de
este captulo.
6.7. Ejemplos.
1. Distribucion Geometrica. Sea X una variable aleatoria con distribucion geometrica de parametro p,
0 < p < 1, es decir que
P (X = n) = p(1 p)n1 n = 1, 2, . . .
Calcular E(X) mediante aplicacion de la formula (6.34).
6.7. EJEMPLOS. 179
I Sabemos que X es el tiempo que tarda en ocurrir el primer exito en una sucesion de pruebas de
Bernoulli con parametro p. Por lo tanto, el suceso {X > n} corresponde a que en las primeras n
experiencias, el evento que estamos observando no ocurre, y esto implica que
qn = P (X > n) = (1 p)n
y entonces
X 1 1
E(X) = (1 p)n = =
n=0
1 (1 p) p
2. Distribucion Normal. Sea X una variable aleatoria con distribucion normal de parametros (0, 2 ).
Calcular E(|X|) y Var(|X|).
(ya hemos visto que si una variable aleatoria tiene distribucion normal de parametros (, 2 ), entonces
su varianza es 2 . Por lo tanto la varianza de Y es igual a 1). Reemplazando
2
Var(|Y |) = 1 ,
y volviendo al principio r
2 2
E(|X|) = , Var(|Y |) = 2 (1 ).
J
donde X1 , . . . , Xn son variables aleatorias independientes cada una de las cuales tiene distribucion
normal de parametros (0, 1).
Nota. La distribuci on ji-cuadrado con n grados de libertad y se denota 2n .
on de Z se denomina distribuci
y como E(Xi2 ) es la varianza de Xi , es claro que E(Xi ) = 1 para todo i = 1, . . . , n. Por lo tanto
E(Z) = n.
Como todas las Xi tienen igual distribucion de probabilidad, todos los terminos de esta suma son
iguales. Ademas
4!
Var(X12 ) = E(X14 ) (E(X12 ))2 = 2 1 = 2
2 2!
donde hemos aplicado la formula (6.20) para calcular E(X14 ). Resumiendo
Var(Z) = 2n.
J
4. Sean X1 , X2 , . . . , Xn n observaciones independientes con distribucion uniforme en el intervalo (0, 1).
Ordenando estas variables en forma creciente, obtenemos los llamados estadsticos de orden de las
observaciones X1 , X2 , . . . , Xn :
X(1) X(2) X(n) .
a. Calcular E(X(n) ) y Var(X(n) ).
b. Calcular, en general, E(X(k) ) y Var(X(k) ).
P (X(n) x) = xn si 0 x 1,
ya que
{X(n) [0, x]} = ni=1 {Xi x}
y los eventos que aparecen en esta interseccion son independientes. Por lo tanto,
0 si x < 0
FX(n) (x) = x n
si 0 x 1
1 si x > 1
Entonces
Z 1
n 1 k1
E(X(k) ) = xn x (1 x)nk dx,
0 k1
Z 1
2 n 1 k1
E(X(k) )= x2 n x (1 x)nk dx.
0 k1
Si introducimos la notacion
Z 1
B(k, l) = xk (1 x)l dx donde k, l = 0, 1, 2 . . .
0
2
entonces E(X(k) ) y E(X(n) ) se escriben como
n1
E(X(k) ) = n B(k, n k)
k1
2 n1
E(X(n) )=n B(k + 1, n k)
k1
l l(l 1)
B(k, l) = B(k + 1, l 1) = B(k + 2, l 2)
k+1 (k + 1)(k + 2)
l(l 1) 1
= B(k + l, 0)
(k + 1) (k + l)
l! k! 1
=
(k + l)! k + l + 1
l! k!
B(k, l) =
(k + l + 1)!
182 CAPITULO 6. ESPERANZA MATEMATICA
2
y reemplazando en las formulas para E(X(k) ) y E(X(n) ) obtenemos
n! k!(n k)! k
E(X(k) ) = =
(k 1)!(n k)! (n + 1)! n+1
2 n! (k + 1)!(n k)! k(k + 1)
E(X(n) )= =
(k 1)!(n k)! (n + 2)! (n + 1)(n + 2)
k(k + 1) k2 k(n k + 1)
Var((X(k) ) = =
(n + 1)(n + 2) (n + 1)2 (n + 2)(n + 1)2
J
1
f (x) = x R.
(1 + x2 )
es divergente. Efectivamente
Z Z
1 a |x| 2 a x
dx = dx
a 1 + x2 0 1 + x2
a
2 1
2 1
= log(1 + x ) = log(1 + a2 )
2 0
+ cuando a
Cov(X, Y )
=p
Var(X) Var(Y )
P (Y = mX + n) = 1.
6.7. EJEMPLOS. 183
7. Un pasajero llega al terminal de autobuses en el instante T , que es una variable aleatoria con distribu-
cion uniforme entre las 11 y las 12 horas. De acuerdo con el horario, esta previsto que del terminal
partan un autob us a las 11 y otro a las 12, pero estos salen con retardos aleatorios X e Y respec-
tivamente, teniendo cada una de estas dos variables aleatorias distribucion uniforme en el intervalo
(0, 1/2 hora).
Si ambos autobuses le sirven al pasajero y las variables aleatorias T, X, Y son independientes, cual
es el valor esperado del tiempo que el pasajero permanecera en el terminal?
I Llamemos Z al tiempo que debe esperar el pasajero. Sea A el evento {11 T 11 : 30}, es decir el
pasajero llega entre las 11 y las 11 y 30 y B el evento {T 11 X}, es decir, llega antes de que el
primer autobus salga. Entonces
Si ocurren A y B, el tiempo de espera es Z = X (T 11) (ver figura 6.2).
X
.......................................................................................................................................................................................................................................................................................................................................
... ... ... ... ...
11 T 11:30 12
Z
Figura 6.2
X 12 T Y
........................................................................................................................................................................................................................................................................................................................................
... ... ... ... ... ...
11 T 11:30 12
Z
Figura 6.3
y si observamos que
1(AB)c = 1 1AB
obtenemos que
Por lo tanto
E(Z) = 12 E(T ) + E(Y ) + E((X Y 1)1AB ).
Es claro que
E(T ) = 11.5 E(Y ) = 0.25.
Para calcular el u
ltimo termino, observamos que la densidad conjunta de las variables aleatorias T, X
e Y es (
4 si 11 t 12; 0 x 0.5; 0 y 0.5
fT,X,Y (t, x, y) =
0 en cualquier otro caso.
Esto resulta inmediatamente de que T, X e Y son independientes y de que tienen densidad uniforme,
la primera en (11, 12) y en (0, 0.5) las otras dos.
Por lo tanto, teniendo en cuenta la definicion de las eventos A y B,
Z 11,5 Z 0,5 Z 0,5
11
E((X Y 1)1AB ) = dt dx (x y 1)4 dy =
11 t11 0 48
Reemplazando se obtiene
25
E(Z) = horas.
48
J
6.7. EJEMPLOS. 185
X 12 T Y
........................................................................................................................................................................................................................................................................................................................................
... ... ... ... ... ...
11 11:30 T 12
Z
Figura 6.4
Ejercicios
1. Un jugador lanza dos monedas. Si ambas caen aguila, gana $ 10, si solo hay un aguila, gana $ 2,
mientras que si no hay ninguna aguila pierde $ 12. Determine el valor esperado de la ganancia para un
lanzamiento de las dos monedas.
2. En una lotera se venden 1,000,000 de boletos de $10 cada uno. Hay un primer premio de $3,000,000,
10 premios de $200,000, 100 premios de $2,000, 1,000 premios de $100 y 10,000 boletos reciben un
reembolso del costo del boleto. Halle el valor esperado de la ganancia neta por boleto.
3. Extraemos al azar cartas de un juego de barajas con reposicion hasta obtener un as y sea X el n
umero
de cartas extradas. Halle E(X) y Var(X).
4. Lanzamos una moneda repetidamente hasta obtener dos aguilas o dos soles, lo que ocurra primero. Sea
X el n
umeo de lanzamientos de la moneda. Halle el valor esperado y la varianza de X.
5. Sea X una variable aleatoria con distribucion de Poisson de parametro . Halle el valor esperado de la
variable Y = eX .
6. Sean X, Y variables aleatorias cada una de las cuales toma u
nicamente dos valores distintos. Demuestre
que X e Y son independientes si y solo si E(XY ) = E(X) E(Y ).
7. Lanzamos dos dados, si el lanzamiento es un doble (dos caras iguales) los dados se vuelven a lanzar y
as hasta que las dos caras que se obtienen sean distintas. Sea X el n
umero de lanzamientos necesarios
para que esto ocurra. Halle el valor esperado y la varianza de X. Halle tambien el valor esperado y la
varianza de 2X
8. En una bolsa hay cinco boletos que corresponden a un premio de $1,000 y cuatro premios de $20. Cinco
personas sacan, sucesivamente, un boleto al azar y sea Xi el premio que le corresponde a la i-esima
persona en sacar un boleto. Calcule E(X1 ) y Var(X1 ), (b) E(X3 ) y Var(X5 ), (c) E(X1 + + X5 ) y
Var(X1 + + X5 ).
9. Una caja contiene 5 bolas numeradas del 1 al 5. Se extraen 200 bolas con reposicion y sea Xi el n
umero
en la i-esima bola extrada, Y la suma de los 200 n umeros obtenidos y Z el promedio de los 200
n
umeros. Halle (a) E(X) y Var(X), (b) E(Y ) y Var(Y ), (c) E(Z) y Var(Z).
10. Lanzamos un par de dados, sea X1 el n
umero que aparece en el primero y X2 el del segundo. Definimos
Y = X1 + X2 , Z = XY . Halle (a) E(X1 ), (b) E(X22 ), (c) E(Y ), (d) E(Z), (e) E(Y Z), (f) E(Y 2 ), (g)
E(Z 2 ).
11. En un concurso hay cinco cajas identicas cerradas. En una de ellas hay $100,000, otra contiene $10,000,
una tercera $1,000, la cuarta $100 y la u
ltima tiene un signo de ALTO. El concursante escoge una caja
y gana el contenido. Este proceso se repite hasta que salga el signo d ALTO, momento en el cual el
concurso termina. Halle el valor esperado de la cantidad que gana el concursante.
12. Una maquina produce objetos que son defectuosos con probabilidad 0.01 y cuando esto ocurre, la
maquina se detiene y es ajustada. Halle el valor promedio del n
umero de objetos buenos producidos
entre dos objetos defectuosos.
186 CAPITULO 6. ESPERANZA MATEMATICA
13. Calcule media y varianza para las distribuciones de los ejercicios 1, 2, 4, 5, 7, 8, 9, 10, 11, 18 y 19 del
Captulo 4.
14. Sea X una variable aleatoria con E(X) = 2, Var(X) = 1, E(X 4 ) = 34. Calcular media y varianza para
las siguientes variables aleatorias: U = 2X + 1, V = X 2 , Z = X 2 + 2.
15. Las variables X, Y son independientes y E(X) = 3, E(X 4 ) = 100, E(Y ) = 4, E(Y 4 ) = 500, Var(X) =
0.5, Var(Y ) = 2. Calcular la media y varianza para las variables U = 3X 2Y y V = X 2 Y 2 .
16. Suponga que X, Y tienen igual media e igual varianza y ademas son independientes. Demuestre que
E((X Y )2 ) = 2 Var(X).
18. Suponga que X, Y son independientes y ambas tienen media 3 y varianza 1. Halle la media y varianza
de X + Y y XY .
19. Demuestre que
Var(X + Y ) + Var(X Y ) = 2 Var(X) + 2 Var(Y ).
20. Sea X una variable con valor esperado finito E(X). Demuestre que
(E X)2 E(X 2 )
22. Se considera el siguiente juego de azar entre dos jugadores. El primero elige al azar un punto X en el
intervalo (0, 2) mientras que el segundo elige un punto Y en el intervalo (1, 3), tambien con distribucion
uniforme. Suponemos que X e Y son variables aleatorias independientes. Entonces
Si X < Y , el primer jugador paga a(Y X) unidades al segundo.
Si X Y , el segundo jugador paga b(X Y ) unidades al primero,
donde a y b son constantes positivas.
a. Hallar la relacion b/a para que el juego sea equitativo (esto significa que la esperanza matematica
de la ganancia de cada jugador es igual a cero).
b. Con la relacion b/a calculada en la parte anterior, calcular la varianza de la ganancia del primer
jugador.
23. Sea X, Y variables aleatorias independientes, ambas con distribucion de Bernoulli con probabilidad de
exito 1/2. Demuestre que X + Y y |X + Y | son dependientes pero no estan correlacionadas.
24. Sea X una variable aleatoria con distribucion geometrica de parametro p y M un n umero entero
positivo. Calcular la esperanza matematica de la variable aleatoria Y = min{X, M }.
25. (a) Se lanza una moneda perfecta repetidamente. Sea la variable aleatoria que indica el n umero
de veces seguidas que ocurre lo mismo que en el primer lanzamiento. (Por ejemplo, si A es aguila y
S es sol, con la sucesion de resultados AAASSAS . . . se tiene = 3 mientras que con la sucesion
SSSSSASAS . . . se tiene = 5). Calcular E() y Var().
(b) Rehacer el calculo de la parte a suponiendo que, en lugar de una moneda perfecta, se dispone de
una moneda tal que la probabilidad de aguila en un lanzamiento es igual a p. Que ocurre si p = 0
o p = 1?
6.7. EJEMPLOS. 187
Se eligen al azar en un muestreo sin reposicion dos de las cuatro partes y se cuenta el n
umero de
habitantes obtenidos en cada una de ellas, que denominamos X1 y X2 . Mostrar que
E(X1 + X2 ) = 2 1000
4
Var(X1 + X2 ) = 2
3
(b) Generalizar al caso en el cual, en lugar de cuatro, la ciudad esta dividida en n partes, y en lugar
de seleccionar al azar dos de ellas, se seleccionan r. Se obtiene
E(X1 + X2 + + Xr ) = mr,
r(n r) 2
Var(X1 + X2 + + Xr ) = .
n1
27. Se escriben n cartas y sus respectivos sobres, y se ensobran las cartas al azar, de modo que la proba-
bilidad de cualquiera de las posibles permutaciones de las cartas, es la misma. Calcular la esperanza y
la varianza del n
umero de cartas que se ensobran correctamente.
Pn
Sugerencia. Escribir Y como Y = i=1 Xi , donde
(
1 si la i-esima carta va en el i-esimo sobre
Xi =
0 en caso contrario.
28. En una bolsa hay n tarjetas numeradas de 1 a n. Se extraen las tarjetas sucesivamente con reposicion.
(a) Cual es el valor esperado del n
umero de extracciones hasta repetir el primer n
umero? (b) Cual
es el valor esperado del numero de extracciones hasta que ocurra la primera repeticion?
29. Se considera un conjunto de n personas. Calcular el valor esperado del numero de das del a
no en que
cumplen a nos exactamente k de ellos. Suponga que el a
no tiene 365 das, que todas las distribuciones
posibles son igualmente probables y que n k.
30. Una persona con n llaves trata de abrir una puerta probando las llaves sucesiva e independientemente.
Calcule la esperanza y la varianza del n
umero de intentos requeridos hasta encontrar la llave correcta,
suponiendo que esta es una sola, en las dos situaciones siguientes.
(a) Si la seleccion de las llaves es con reposicion, es decir, que una llave inservible no es quitada del
lote, una vez probada. (b) Si la seleccion es sin reposicion.
31. Un sistema permite establecer comunicaciones de acuerdo al diagrama 6.1. Cada bloque rectangular
demora una unidad de tiempo y T es la variable aleatoria que indica el tiempo que se demora en
establecer una comunicacion buena.
188 CAPITULO 6. ESPERANZA MATEMATICA
.................................................................................................
...... ...
... ...
.....
...
.....
Comienzo ..
.
...
.....................................................................................................
.
....
...
..........
......
intento de establecer.......................................
. ..
comunicaci
... on ...
....
.... ..
... ...
... ...
......... ...
.
. . .
.......................
. ...
..
.... ...
........ ......
..... ...
... . ...
....
....
.
tiene
...
...
...
no ...
..
... ........................................................
... .
...
... exito?
.....
.
...
..
.
.
...... .....
..............................
...
...
...
......... si .
......
es buena la no .
.....................................
corrige la
.
comunicaci
... on? comunicaci
... on
... ...
... ...
.........
...
si ...
...
...
........................................ ...................................................
. ...
. .......
.
....... ... ...
..... ... ..
.........................................................................................
...
...
......
fin ..
.
.
.
. ... .
................................................................................................
Diagrama 6.1
Se supone que los intentos para establecer comunicacion son independientes y que la probabilidad de
exito en cada uno es p. Una vez establecida, la comunicacion puede ser buena o mala, y la probabilidad
de que sea buena es b. Si es mala, en una operacion mas se corrige y deviene buena. Calcular la funcion
de probabilidad de T y su esperanza matematica.
32. Se lanza un dado n veces. Sea Xi el n
umero de veces que se obtiene el resultado i. Calcular la covarianza
de X1 y X6 .
33. En un estanque en el que originalmente hay n peces, se pesca sucesivamente por medio de redes, que
retiran n1 , n2 , . . . , donde nk denota el n
umero (aleatorio) de peces extrados la k-esima vez. Suponiendo
que la probabilidad de que cada pez sea capturado es p, calcular la esperanza matematica del n umero
de peces extrados en la n-esima ocasion.
34. Una bolsa contiene bolas numeradas de 1 a N . Sea X el mayor n
umero obtenido en n extracciones al
azar y con reposicion, donde n es un n
umero fijo.
(a) Hallar la distribucion de probabilidad de X.
(b) Calcular E(X) y probar que si N es grande, E(X) es aproximadamente igual a N/(n + 1).
(c) Hallar E(X 2 ) y deducir una expresion asintotica para Var(X) cuando N .
35. Calcular E(X 3 ) donde X tiene distribucion binomial con parametros (n, p).
36. Sea X, Y variables aleatorias discretas con funcion de probabilidad
1
pij = , para |i j| n, |i + j| n.
1 + 2n(n + 1)
Demuestre que X e Y son independientes y que Cov(X, Y ) = 0.
37. Sea X, Y variables independientes e identicamente distribuidas con distribucion normal N (, 2 ).
Halle media y varianza de la variable Z = max(X, Y ). (Ayuda: si x, y son numeros reales demuestre
ax(x, y) = |x y| + x + y ).
que 2 m
38. Sea X una variable con distribucion N (, 2 ). Halle media y varianza de |X c| cuando (a) c es una
constante dada, (b) = = c = 1, (c) = = 1, c = 2.
6.7. EJEMPLOS. 189
39. Calcule media y varianza para las distribuciones de los ejercicios 18, 19, 21, 22, 24, 25, 26, 29 y 30 del
Captulo 4.
40. En el ejercicio 31 del captulo 4 vimos que de acuerdo a la ley de Maxwell, la velocidad v de una
molecula de gas de masa m a temperatura absoluta T es una variable aleatoria con densidad
4 1 2 2
fv (x) = 3 x2 ex /k
para x > 0 con = (2kT /m)1/2 y k es la constante de Boltzman. Halle media y varianza de (a) la
velocidad v de la molecula, (b) la energa cinetica E = mv 2 /2 de la molecula.
41. Sea X una variable aleatoria con distribucion uniforme en ( 2 , 2 ). Calcular E(Y ) cuando (a) Y =
senX. (b) Y = cos X (c) Y = 3X 2 + 2 (d) Y = 1/|X| En el u ltimo caso, para cuales valores
de se tiene que E(Y ) < ?
42. Calcular la esperanza y la varianza de las distribuciones cuyas densidades se indican a continuacion:
( (
2x si 0 < x < 1, |x| si x < 1,
(a) f (x) = (b) f (x) =
0 en otro caso. 0 en otro caso.
43. Sea X una variable con distribucion exponencial. (a) Halle P (sen X > 1/2), (b) E(X n ) para n 1.
45. El tiempo de vida de cierto componente electronico tiene distribucion exponencial con parametro
= 0.01. Calcule el tiempo de vida promedio. Si el aparato ha durado 50 horas, cual es el valor
esperado del tiempo de vida que le queda?
46. Escogemos n puntos al azar en [0, 1] con distribucion uniforme. Sea mn = min{X1 , . . . , Xn }, Mn =
max{X1 , . . . , Xn }, Rn = Mn mn . Halle el valor esperado de estas tres variables aleatorias.
47. La proporcion de tiempo que una maquina trabaja durante una semana de 40 horas es una variable
aleatoria con densidad f (x) = 2x para 0 x 1. Halle E(X) y Var(X). La ganancia semanal Y para
esta maquina esta dada por Y = 200X 60; determine E(Y ) y Var(Y ).
a
48. Sea X una variable aleatoria con densidad f (x) = Cxa1 ex , x 0. Halle el valor de C y calcule
E(X) y Var(X).
49. Sea X una variable aleatoria con densidad f (x) = 6x(1 x) para 0 < x < 1. Compruebe que f es una
densidad y obtenga media y varianza para esta distribucion.
50. Para ciertas muestras de minerales la proporcion de impurezas por muestra X es una variable aleatoria
con densidad dada por f (x) = 1.5x2 + x para 0 x 1. El valor en pesos de cada muestra es
Y = 5 0.5X. Encuentre el valor esperado y la varianza de Y
51. Sea X una variable aleatoria con densidad f (x) = | sen(x)|/4 para 0 x 2. Calcule E(X).
52. La proporcion de tiempo por da en que todas las cajas registradoras estan ocupadas a la salida de
cierto supermercado es una variable aleatoria X con una densidad f (x) = Cx2 (1 x)4 para 0 x 1.
Determine el valor de C y E(X).
190 CAPITULO 6. ESPERANZA MATEMATICA
53. Distribuci on de Pareto La distribucion de Pareto con parametros r y A, r > 0, A > 0, es aquella
que tiene la densidad ( r
rA
r+1 si x A,
f (x) = x
0 si x < A.
(a) Calcular la esperanza y la varianza de esta distribucion de probabilidad.
(b) Calcular y graficar la funcion
Q(y) = F ( + y) F ( y)
1 |x |
f (x) = exp , x R,
2
para ciertas constantes y > 0. Halle media y varianza para una variable con esta distribucion.
58. El tiempo de vida de ciertos focos tiene distribucion de Rayleigh con funcion de distribucion
x2
F (x) = 1 exp , para x > 0.
300
Hallar la densidad de la variable aleatoria Y = X 2 y su valor esperado.
59. Sea X una variable aleatoria con tercer momento finito E(|X|3 ) < ). Definimos el coeficiente de
asimetra de X, (X) por
E(X )3
(X) =
3
donde = E(X) y 2 = Var(X).
(a) Demuestre que para cualquier variable X se tiene que
E(X 3 ) 3 E(X 2 ) + 23
(X) =
3
(a) Probar que la serie (6.40) converge, por lo menos, cuando |z| 1, es decir que su radio de conver-
gencia es mayor o igual que 1.
(b) Observar que la funcion g(z) determina unvocamente las probabilidades {pn }.
(c) Calcular la funcion generatriz de la distribucion binomial con parametros n y p.
(d) Calcular la funcion generatriz de la distribucion geometrica.
(e) Calcular la funcion generatriz de la distribucion de Poisson de parametro .
(f) Probar que
bajo la hipotesis de que las esperanzas que all figuran son finitas. Que ocurre si las esperanzas son
infinitas?
(g) Sea g la funcion generatriz de la variable aleatoria X y h la funcion generatriz de la variable
aleatoria Y . Probar que si X e Y son independientes, entonces g(z)h(z) es la funcion generatriz de
X +Y.
(h) Utilizando funciones generatrices, mostrar que X1 , X2 , . . . , Xn son variables aleatorias indepen-
dientes, cada una con distribucion de Poisson, con parametros respectivos 1 , 2 , . . . , n , entonces
X1 + X2 + + Xn tambien tiene distribucion de Poisson y su parametro es 1 + 2 + + n .
(i) Hallar la distribucion de probabilidad de X1 + X2 + + Xn donde las Xi , i = 1, . . . , m son
variables aleatorias independientes, cada una con distribucion binomial, y los parametros respectivos
son (ni , p), i = 1, . . . , m.
192 CAPITULO 6. ESPERANZA MATEMATICA
Ap
endice
6.7.1. Definici
on del Valor Esperado en el Caso General.
Hasta el momento hemos definido y calculado el valor esperado o esperanza matematica de una variable
aleatoria, solamente en el caso en el que la distribucion de probabilidad de la misma es discreta. A con-
tinuacion nos proponemos hacer lo mismo en el caso general, es decir, para variables no necesariamente
discretas. El estudio del tema requiere una extension bastante mayor de la que estamos en condiciones de
asignarle aqu. A
un as, el lector que no este especialmente interesado, en una primera instancia, en contar
con una fundamentacion sobre el tema, puede pasar directamente a la seccion 6.5 en la cual se estudia el caso
de las variables aleatorias que tienen densidad, y adoptar la formula (6.21) como una definicion. As mis-
mo, en una primera instancia, puede saltar las demostraciones de las propiedades basicas de la esperanza
matematica en el caso general, que estan marcadas con una estrella ? .
Como criterio general, la manera de definir la esperanza matematica y sus propiedades, consiste en
aproximar una variable aleatoria cualquiera por variables discretas, y utilizar la definicion y propiedades de
la esperanza para estas u ltimas, que ya conocemos de nuestro estudio anterior. Este proceso de aproximacion
tiene algunas dificultades, que aparecen en las secciones mencionadas, marcadas tambien con una estrella ? .
Sea X una variable aleatoria no negativa. Para cada n umero natural n, n = 1, 2, . . . definimos la variable
aleatoria aproximante Xn mediante
k k k+1
Xn () = si X() < (k = 0, 1, 2, . . . ) (6.25)
2n 2n n
Para entender esta definicion procedemos de la siguiente forma: dividimos la semirecta [0, ) de los n
umeros
reales no negativos, en intervalos de logitud 1/2n , a partir de 0.
...
...
..
..
...........
.. . . ............ .... . . . .. . . ............................
.
X ....
. .. .
..
.........
.
... ........
. ...........
.............. ...... .
.... ..
..................................................................................... ....
..... ...... ... ............
....................................
...
......
......
...... ...
.
... ...
.
.
...
...
.
.
.......... .
.............. ...........
......... ..
.
.. .... .. ...
(k + 1)/2n
... ...
...
...
....
.....
.....
.....
.................
..
..
..........
.. k/2n
....
...
....
. ..
..
.. ...
...
..
... ... ..
....
..
.....
.
..
.
. ...
....
.
.
..
.
..
...
...
.
.. . . .
..
. .... ....... 2/2n
.... .. . ....
1/2n
. ...
... .... .. .... ......
.. .. ..... ...
.... .... ..
..... .
... ...........
...
...
...
... ......
..
....
0
...
... ...
...
...
.
......
....
.......
..
....
...
..... ... . . ... . ...... ...
...... ... ...
........ ...
.......
..........
...................................................
... .............
..
...
.
...
...
R
.... ... ..
............
.
k k+1
Ak,n = { : 2n X() < 2n }
Entonces, definimos Xn en Ak,n igual a k/2n . Por lo tanto, una manera de escribir Xn es
X
X
k k
Xn () = 1A () = 1 k k+1 ()
2 n k,n
2n {: 2n X()< 2n }
k=0 k=0
...
..
...
.. ... ..
............
....
(k + 1)/2n
....
.. 2k+1
I1 ...
... I1 = 2n+1 , k+1
2n
...
..
................
. ..
.. (2k + 1)/2n+1
...
..
...
k 2k+1
I2 ...
...
I2 = 2n , 2n+1
..
.. .... ..
............
.....
k/2n
...
..
..
194 CAPITULO 6. ESPERANZA MATEMATICA
Figura 6.2
3. Se tiene
1
0 X() Xn () < para todo . (6.26)
2n
De aqu se deduce que
lim Xn () = X() para todo .
n
4. Puesto que Xn es una variable aleatoria discreta y no-negativa, esta definida su esperanza matematica
X
X
k k k
E(Xn ) = P (Xn = ) = P (Ak,n )
2n 2n 2n
k=0 k=0
X
k k k+1
= n
P( n X < ). (6.27)
2 2 2n
k=0
Observamos que, cuando definimos la esperanza matematica de una variable aleatoria discreta, dijimos
que esta existe cuando la serie que aparece en la formula (6.18) es convergente. En caso contrario, y
para simplificar la exposicion que sigue, vamos a convenir en que E(Xn ) es +. Esta convencion es
u
til a los fines de la presentacion del tema.
Estamos ahora en condiciones de definir, de manera general, la esperanza matematica de una variable
aleatoria. En una primera instancia consideremos una variable no-negativa X, y la sucesion aproximante Xn
definida en (6.25). Tenemos dos alternativas posibles:
y esto asigna un valor a la esperanza matematica E(X), para variables aleatorias no-negativas.
Consideremos ahora una variable aleatoria cualquiera X. Definimos otras dos variables X + y X , de-
nominadas respectivamente, la parte positiva y la parte negativa de X, de la siguiente forma:
(
+ X() si X() 0,
X () =
0 si X() < 0.
(
0 si X() 0,
X () =
X() si X() < 0.
Se verifica facilmente que
X() = X + () X ()
|X()| = X + () + X ().
6.7. EJEMPLOS. 195
Vamos a aplicarle a esta variable aleatoria X nuestra nueva definicion. Supongamos primero que
X
xk pk < .
k=1
Haciendo tender n a , el tercer miembro tiende a cero y E(Xn ) converge a E(X) (de acuerdo a nuestra
nueva definicion). Por lo tanto
X
E(X) = xk pk ,
k=1
o sea que las definiciones vieja y nueva de la esperanza matematica de X coinciden.
Si
X
xk pk
k=1
es una serie divergente, dejamos como ejercicio para el lector probar que E(X) = +, de acuerdo a la nueva
definicion. (Sugerencia: muestre que, en este caso, E(Xn ) = + para cualquier valor de n).
196 CAPITULO 6. ESPERANZA MATEMATICA
X X
k k k+1 k k k+1
E(X + ) = n
P ( n
X +
< n
) = n
P( n X < )
2 2 2 2 2 2n
k=0 k=0
Z k+1
"Z k+1 Z k+1 #
X k 2n X 2n 2n k
= fX (x) dx = xfX (x) dx + ( n x)fX (x) dx
2n 2kn k
2n
k
2n
2
k=0 k=0
Observe el lector que hemos tenido en cuenta que, dado que fX es la densidad de X,
Z k+1
k k+1 2n
P( X< )= fX (x) dx.
2n 2n k
2n
Por lo tanto,
Z + Z
X k+1
2n k
E(X + ) x fX (x) dx = ( x)fX (x) dx
0 k
2n
2n
k=0
y se deduce que
Z Z k+1
+ X 1 2n
E(X + )
x fX (x) dx fX (x) dx
0 2n 2kn
k=0
Z +
1 1
= n fX (x) dx n
2 0 2
y el hecho de que Z Z
+ +
fX (x) dx fX (x) dx = 1.
0
Se concluye entonces que
Z +
+
E(X ) = lim E(Xn+ ) = x fX (x) dx (6.31)
n 0
De (6.31) y (6.32) resulta inmediatamente (6.17). Observamos ademas, que E(X + ) y E(X ) son ambas
finitas, y por lo tanto tambien lo es E(|X|), si y solo si las dos integrales en (6.31) y (6.32) son finitas, es
decir, si y solo si Z +
|x|fX (x) dx <
Sea entonces g(x) 0 para todo x Rn . Definimos (analogamente a lo hecho para variables aleatorias),
para m = 1, 2, . . .
k k k+1
gm (x) = m si m g(x) < m k = 0, 1, . . .
2 2 2
Es claro que
1
g(x) gm (x) g(x) para todo x Rn (6.34)
2m
y por lo tanto
1
g(X()) gm (X()) g(X()),
2m
donde
X() = (X1 (), X2 (), . . . , Xn ())
es nuestro vector aleatorio, cuyas coordenadas son las variables aleatorias dadas.
Tomando valores esperados (ver las propiedades en la seccion siguiente), resulta
1
E(g(X)) E(gm (X)) E(g(X)). (6.35)
2m
Ahora bien,
gm (X) = gm (X1 , X2 , . . . , Xn )
es una variable aleatoria discreta, que puede tomar solo valores de la forma k/2m para k = 0, 1, 2, . . . , y por
lo tanto su valor esperado se calcula directamente
X k k
E(gm (X)) = P (gm (X) = m )
2m 2
k=0
X
k k k+1
= m
P ( m gm (X) < m )
2 2 2
k=0
X k
1 k k+1
= P X g , (6.36)
2m 2m 2m
k=0
X Z
k
E(gm (X)) = f (x)dx
2m g1 ([ 2km , k+1
2m ))
k=0
X Z
= gm (x) f (x)dx
k=0 g ([ 2m , 2m ))
1 k k+1
Z
= gm (x)f (x)dx (6.37)
Rn
Resumiendo: Z
E(g(X)) = g(x)f (x)dx,
Rn
Observaci on 6.7 Si el lector interesado observa con cuidado la demostracion que hemos hecho de la formula
(6.33), vera que algunas afirmaciones debieran merecer una mayor atencion. Por lo pronto, en (6.35)
k k+1
: X() g 1 , ,
2m 2m
tiene que ser un evento en el espacio de probabilidad subyacente. Para ello, se requiere que la funcion
g : Rn R sea lo que se denomina una funcion boreliana, lo cual significa que la preimagen por g de un
intervalo en R, es un conjunto de Borel en Rn . Por cierto, todas las funciones corrientes que aparecen en el
calculo, son funciones borelianas, de modo que, en este contexto, esto no implica ninguna limitacion efectiva.
En segundo termino, tiene que estar bien definida la integral
Z
f (x)dx
2m ))
g 1 ([ 2km , k+1
entonces
Z
X Z
h(x) dx = h(x) dx,
k=0 Bk,m Rn
Propiedad 7. Si X e Y son variables aleatorias que tienen valor esperado, entonces tambien existe el
valor esperado de X + Y y se tiene
Propiedad 9. Si X e Y son variables aleatorias independientes con valor esperado, entonces existe
E(XY ) y
E(XY ) = E(X) E(Y ). (6.39)
El lector que no este especialmente interesado puede saltar las demostraciones de estas dos propiedades,
en una primera lectura.
Demostracion de la propiedad 7
Son obvias las desigualdades
(X + Y )+ |X + Y | |X| + |Y |
(X + Y ) |X + Y | |X| + |Y |
y como por hipotesis se cumplen
E(|X|) < , E(|Y |) < ,
se deducen
E((X + Y )+ ) < , E((X + Y ) ) < E(X + Y ) < .
Probaremos la igualdad (6.38) cuando X e Y son no-negativas; cuando esto no ocurre, descomponemos en
los conjuntos donde X, Y y X + Y tienen signo constante, y aplicamos el resultado que vamos a demostrar.
Los detalles quedan a cargo del lector.
Supongamos entonces, X 0, Y 0. Por lo tanto, tambien X + Y 0 y usamos la notacion de la
seccion 6.4, llamando
Xn , Yn , (X + Y )n
las variables aleatorias aproximantes de X, Y, X + Y respectivamente. Sabemos que
1
Xn X < Xn +
2n
1
Yn Y < Yn + n
2
1
(X + Y )n X + Y < (X + Y )n +
2n
Se deduce que
2 1 1
n
= X n + Y n (X + Y ) < Xn + Yn (X + Y )n
2 2 2
1 1
< X + Y (X + Y ) n = n
2 2
es decir,
2 1
< Xn + Yn (X + Y )n < n (6.40)
2n 2
Como Xn , Yn , (X + Y )n son variables aleatorias discretas, sabemos que (6.33) implica que
2 1
< E(Xn ) + E(Yn ) E((X + Y )n ) < n
2n 2
Si ahora hacemos tender n a infinito, en virtud de la definicion de la esperanza matematica en el caso general,
se tiene que
E(Xn ) E(X), E(Yn ) E(Y ), E((X + Y )n ) E(X + Y )
y por lo tanto,
0 E(X) + E(Y ) E(X + Y ) 0,
lo cual prueba (6.38).
Para demostrar la propiedad 9 podemos seguir un metodo similar de aproximacion por variables discretas,
haciendo valer nuevamente el hecho de que ya sabemos que la propiedad es valida para el caso de las variables
aleatorias discretas.
6.9. PROPIEDADES DEL VALOR ESPERADO EN EL CASO GENERAL. 201
6.9.1. Demostraci
on de (6.23)
Para demostrar (6.23), apliquemos la definicion del valor esperado. Sea Xn la variable aleatoria aproxi-
mante de X definida en la seccion 6.4. Tenemos
X
k k k+1
E(X) = lim E(Xn ) = lim n
P( n X < )
n n 2 2 2n
k=0
X
k k k+1
= lim P (X ) P (X ) .
n 2n 2n 2n
k=0
Introducimos la notacion
G(x) = 1 FX (x ) = P (X x)
y reemplazando, resulta
X
k k k+1
E(X) = lim G( n ) G( n ) .
n 2n 2 2
k=0
Mas a
un, si ponemos
X
k k+1 k+1
pk = G( n
) G( n ), qk = pj G( ).
2 2 2n
j=k+1
X
k 1 X 1 X
E(Xn ) = pk = kp k = qk
2n 2n 2n
k=0 k=0 k=0
X Z +
1 k+1
= G( n ) G(x) dx. (6.41)
2n 2 0
k=0
Para comprender la u
ltima desigualdad, hay que tener en cuenta que la funcion G es decreciente (en sentido
amplio), ya que FX es creciente (en sentido amplio), y que estamos comparando una suma de Riemann
calculada evaluando en el extremo derecho de cada intervalo, con la integral (ver figura 6.4).
....
......
y . ........ .
...
..
..
1 ...........
........
... ....
... ....
... ....
.. ..
..................................
.............................................
............................... ......
............................... ......
................................................................
G(x) = 1 F (x )
........................................................... .......
........................................................... ........ X
........................................................................................
....................................................................................... ..........
....................................................................................... ..........
....................................................................................... ........
....................................................................................... ........
..........
....................................................................................... ............
..
....................................................................................... ................................................................
....................................................................................... ................................................................................................. .
.......................................................................................................................................................................................................................................................................................................................................
.
. . . . . . . . . . . . . . . . . . . . . . . . .
... . . . . . . . .
0 1 2 3 ..
k k+1 x
2n 2n 2n 2n 2n
Figura 6.4
De (6.41) ya resulta que si E(X) = +, como el primer miembro tiende a + cuando n , entonces
Z +
G(x) dx diverge.
0
202 CAPITULO 6. ESPERANZA MATEMATICA
Consideremos entonces el caso en el cual E(X) < . Pasando al lmite cuando n en (6.41), se obtiene
Z +
E(X) G(x) dx. (6.42)
0
Haciendo N +, resulta Z +
G(x) dx E(X),
0
El lector puede verificar esto por su cuenta. Tambien es posible ver que si FX no tiene saltos entonces (6.23)
y (6.43) son la misma cosa, pero si hay saltos, ambos integrandos no coinciden en todo punto.
Indice alfabe
tico
normal, 128
uniforme, 127
uniforme discreta, 126
suceso, 8
teorema
de aproximacion de Poisson, 109
de Bayes, 73
tiempo de vida, 65, 79
triangulo de Pascal, 40
[1] K. Baclawski. Introduction to Probability with R. Chapman & Hall/CRC, Boca Raton, 2008.
[2] P. Bremaud. Introduction aux Probabilites. Springer, Berlin, 1984.
[3] K. L. Chung. Elementary Probability Theory with Stochastic Processes. Springer, New York, 3rd. edition,
1979.
[4] J. P. Dangelo y D. B. West. Mathematical Thinking. Problem Solving and Proofs. Prentice-Hall, Upper
Saddle River, 1997.
[5] W. Feller. An Introduction to Probability Theory and its Applications, volume 1. J. Wiley & Sons, New
York, 1968.
[6] M. A. Garca Alvarez. Introducci
on a la Teora de la Probabilidad. Primer Curso. Fondo de Cultura
Economica, Mexico, 2005.
[7] B. Gnedenko y A. Khinchin. An Elementary Introduction to the Theory of Probability. Dover Publica-
tions, Inc., New York, 1962.
[8] H. Gordon. Discrete Probability. Springer, New York, 1997.
[9] G. Grimmett y D. Stirzaker. One Thousand Exercises in Probability. Oxford University Press, Oxford,
2001.
[10] G. Grimmett y D. Welsh. Probability. An Introduction. Oxford University Press, Oxford, 1986.
[11] R. Isaac. The Pleasures of Probability. Springer, New York, 1995.
[12] S. M. Ross. Simulation. Academic Press, San Diego, 3rd. edition, 2002.
[13] Y. A. Rozanov. Probability Theory: A Concise Course. Dover Publications, Inc., New York, 1969.